刘佳

摘  要：文章以GroupLens项目组提供的MovieLens数据集作为测试数据集，通过实验实现了协同过滤算法中传统的非负矩阵分解（NMF）算法及奇异值分解（SVD）模型算法，结合两个算法的优点，提出了基于非负矩阵分解与奇异值分解的混合推荐算法。最后采用均方根误差RMSE验证了算法的有效性，证明了文章所提的算法是解决矩阵的稀疏性问题的有效手段，在评分预测问题上较前两种算法有明显的提高。

关键词：协同过滤;非负矩阵分解;奇异值分解

近些年，随着计算机技术和互联网技术的大规模发展，人们逐渐从信息匮乏的时代走进了信息爆炸的时代。网站运营商如何采用更有效的手段使得有价值的信息展现在用户面前，已经成为计算机行业的一个重要课题，同时也是个性化推荐系统开发的重要目标之一。推荐算法是推荐系统的核心，它的好坏决定了推荐系统效率的高低，协同过滤算法已经成为当今最流行和最成熟的推荐算法。

1 协同过滤推荐

协同过滤这一概念于1992年由Goldberg、Nicols、Oki及Terry首次提出[1]。推荐系统发展至今，协同过滤已经成为最流行和最成熟的技术。它的基本思想是：利用已有用户群过去的行为或意见预测当前用户最可能喜欢哪些东西或对哪些东西感兴趣[2]。

2 实验数据集和评测标准

文章所采用的是MovieLens网站所提供的1M数据集，简称为ML 1M。MovieLens是一个历史悠久的推荐系统，由美国Minnesota大学计算机科学与工程学院的GroupLens项目组创办，是一个非商业性质的、以研究为目的的实验性站点。……