徐梦锦++赵晓东

摘要：将协同过滤推荐算法应用于电子商务领域会使算法在实时性、可扩展性等方面的缺陷变得不可忍受，因此该文提出了基于隐语义模型的协同过滤推荐算法。该算法在使用隐语义模型对产品进行聚类的基础上应用协同过滤算法，在大大缩小了算法运行时间的情况下，仍然能够在一定程度上提高算法的推荐准确率。

关键词：协同过滤推荐；隐语义模型；产品聚类；梯度下降；负反馈数据

中图分类号：TP391.1 文献标识码：A 文章编号：1009-3044（2016）07-0084-03

Research on Collaborative Filtering Algorithm Based on Latent Factor Model

XU Meng-jin，ZHAO Xiao-dong

（ College of Electronic and Information Engineering in Tongji University， Shanghai 201804， China）

Abstract： The disadvantages that applying collaborative filtering recommendation algorithm to the e-commerce field is becoming intolerable. So in this paper we presents a collaborative filtering recommendation algorithm based on latent factor model. The algorithm uses latent factor model to cluster items. Then run collaborative filtering algorithm in the base of the clustering result. This algorithm can not only reduce the time that algorithm spends but also increase the precision of recommend results.

Key words： collaborative filtering recommendation； latent factor model； item clustering； gradient decent algorithm； negative feedback

1 概述

互联网技术的发展加快了信息堆积的速度，使人们陷入了信息过载的境地。而个性化推荐算法的出现则可以在一定程度上拯救互联网时代信息大爆炸所带来的困境。协同过滤算法在处理非结构化复杂对象方面拥有别的个性化推荐算法无法比拟的优势，因此成为了当前个性化推荐领域应用最广泛的算法[1]。

将协同过滤推荐算法应用到电子商务领域不仅可以提高网站的销售额，更可以提高用户对网站的满意度和忠诚度，为电子商务网站带来巨大商机。但是随着电子商务网站的不断发展，应用传统的协同过滤算法在处理庞大、稀疏矩阵时出现的诸如实时性差、可扩展性差等缺陷变得越来越明显，严重影响了推荐系统的性能。因此，本文提出了一种基于隐语义模型的协同过滤推荐算法，该算法首先使用隐语义模型对产品进行聚类，并利用聚类结果重构用于计算推荐列表的用户-产品评分矩阵，从而减小评分矩阵规模，提高算法的实时性。……