A Singular Value Decomposition Approach For Recommendation Systems (1)

A Singular Value Decomposition Approach For

Recommendation Systems

说明：这是一篇来自土耳其中东技术大学的2010年的硕士论文，主要讲述了在推荐系统中应用SVD方法。

这篇文章可以到http://download.csdn.net/detail/yuzhongchun/8078769下载。

Abstract

      本文提出两个创新点：第一个是先将user与item分类，然后根据分类将矩阵分成相应的“子矩阵”，对这些矩阵进行相应的SVD，实验表明这样做不仅会提高准确率还会降低计算复杂度；另一个是向<user, item>二维矩阵中引入tag，使其成为<user, item, tag>三维矩阵，再通过矩阵分解成<user, item>、<user, tag>、<item, tag>子矩阵，最后再进行SVD，实验表明引入tag会提高推荐性能。

Chapter 1 Introduction

      随着用户和物品规模的迅速增长，推荐系统面临两个主要挑战：第一个是提高推荐质量，第二个是提升推荐算法的可扩展性。这两个挑战是有冲突的。

      一个推荐系统由三部分组成：background data，它是推荐处理开始之前的系统信息；input data，它是用于必须与系统交互的信息；an algorithm，它是把background data和input data结合起来生成推荐的算法。

推荐技术可以分为五种：collaborative, content-base,demographic, utility-based, and knowledge-based。一些混合的算法是由这五种技术组合而成的。协同推荐(collaborativerecommendation)是最常见，实现最广的一种。

SVD提供原始矩阵的低秩线性近似(low-rank linearapproximation)，而且低秩线性近似比原始矩阵更好。研究者们指出在大多数时候，基于SVD的方法产生的推荐结果比传统的协同过滤算法更好。但是，SVD需要更复杂的矩阵计算，这使得基于SVD的推荐系统不适合于大规模的系统。

      本文，提出了两点：一是Users和Items的分类，实验表明item和user分类不仅能提高推荐质量，而且能提升SVD技术的性能；二是引入tags到传统的二维SVD方法，实验表明tags也可以提升性能。

      chapter2 详细论述了推荐系统和推荐处理过程。

      chapter3 举例讲述了SVD方法。

      chapter4 讲述了现有的SVD推荐方法，并且提出了自己的方法。

      chapter5 进行了实验，比较现有方法与本文所提出的方法。

      chapter6 结论，并指出未来的研究点。

      

      未完，待续...