需要我们的帮助?请搜索。

基于低秩矩阵分解的协同过滤推荐系统的研究

l  技术特点   

推荐系统基于机器学习和数据挖掘等相关技术,根据用户上网的注册信息、历史记录,能够识别用户的喜好及浏览行为特征,预测用户未来的浏览行为或产品服务的购买行为,主动向用户推送可能感兴趣内容和服务。推荐系统不仅能够解决信息超载的问题,而且能针对每个用户的个性特征提供个性化信息,从而实现消费者和商家的双赢。目前个性化推荐技术已经广泛应用于电子商务、多媒体娱乐、信息订阅、社交网络等多个领域,但是随着应用的扩大和用户的增加,暴露出的问题也越来越多,例如推荐精度不准,数据稀疏,有用信息不足,新用户、新项目无法推荐,系统可扩展性不强,以及系统的稳定性不够鲁棒等等。为了解决这些问题,本项目主要从理论和算法上去寻求突破,需要解决以下四个关键科学问题:

Ø  用户评分数据少,而用户和项目数量庞大引起的稀疏性问题。

Ø  刚被加入到系统中的新项目没有被任何用户评过分,或者刚加入系统的新用户之前对项目没有任何行为而引起的冷启动问题。

Ø  随着系统规模的增大,计算量也随之急剧增加而引起推荐系统的实时性及扩展性问题。

Ø  鲁棒性问题:因虚假用户评分或者用户打错分而使得系统无法识别这些无效的数据而影响系统的准确性和稳定性问题。