在协同过滤中结合奇异值分解与最近邻方法.PDF

2·06 · 计算机应用研究 2006 年 在协同过滤中结合奇异值分解与最近邻方法 * 1 2 1 孙小华 , 陈 洪 , 孔繁胜 ( 1. 浙江大学 人工智能研究所, 浙江 杭州 310027; 2. 杭州贝尔通信设备有限公司, 浙江 杭州 310007) 摘 要: 协同过滤是一种减小信息过载的常用方法, 但是它有三方面的限制, 即准确性、数据稀疏性和可扩展 性。提出一种新的协同过滤算法来解决数据稀疏性的问题, 利用奇异值分解法的结果来进行邻居选择, 然后采 用最近邻方法来得到未打分项目的预测值。在 EachMovie 数据库集上的试验结果表明该算法在数据稀疏时算 法的准确性超过普通的 Pearson 算法和奇异值分解算法。 关键词: 奇异值分解 ; 协同过滤; 推荐系统 中图法分类号: TP311 文献标识码 : A 文章编号 : 1001- 3695( 2006) 09- 0206- 03 Combining Singular Value Decomposition and Neighbor-based Method in Collaborative Filtering 1 2 1 SUN Xiao-hua , CHEN Hong , KONG Fan-sheng ( 1. Institute of Artificial Intelligence, Zhejiang University, Hangzhou Zhejiang 310027, China; 2. Hangzhou Bell Telecommunication System Co. , Ltd. , Hangzhou Zhejiang 310007, China) Abstract: Collaborative filtering is becoming a popular technique for reducing information overload. However, it has three major limitations, accuracy, data sparsity and scalability. We propose a new collaborative filtering algorithmto solve the prob- lem of data sparsity. We utilize the results of singular value decomposition for neighbors selecting, then use the neighborhood- based method to produce the prediction of unrated items. Our experimental results on EachMovie dataset show that the algo- rithm outperforms the conventional neighborhood-based method and SVD method when the available ratings are sparse. Key words: Singular Value Decomposition ( SVD) ; Collaborative Filtering; Recommender Systems 随着互联网技术的不断发展, 网上已出现信息过载问题。