武文硕 左安

摘要：现有的电影推荐算法中，协同过滤算法是最常使用、操作最简单方便的算法，但传统的协同过滤算法存在评分矩阵稀疏、推荐精度低等问题。针对这些问题，提出了矩阵填充策略，根据矩阵填充技术的优缺点，选择了几种填充稀疏矩阵的方法，并且利用迭代SVD算法得到了电影推荐的局部最优解，并利用均方根误差（RMSE）对结果进行了评价，利用R软件对电影评分数据集进行处理，实验结果表明，与传统的协同过滤推荐算法相比，迭代SVD算法能有效地提高推荐的准确性，更加准确地给用户提供想看的电影。

关键词：协同过滤;矩阵填充;稀疏矩阵;电影推荐

中图分类号：TP391.3        文献标识码：A

文章编号：1009-3044（2021）15-0001-03

Abstract： Among the existing film recommendation algorithms， collaborative filtering algorithm is the most commonly used and easy to operate algorithm， but the traditional collaborative filtering algorithm has the problems of sparse rating matrix and low recommendation accuracy. According to the advantages and disadvantages of matrix filling technology， several methods of filling sparse matrix are selected. The local optimal solution of movie recommendation is obtained by using iterative SVD algorithm， and the results are evaluated by root mean square error （RMSE）. Finally， R software is used to process the movie rating data set. The experimental results show that the proposed method is more effective than the traditional method Compared with the collaborative filtering recommendation algorithm based on SVD， the iterative SVD algorithm can effectively improve the accuracy of recommendation and provide users with more accurate movies they want to see.

Keywords： collaborative filtering; matrix filling; sparse matrix; movie recommendation

1引言

随着互联网科技的迅速发展，我们现在进入信息时代，信息量呈现爆炸式地增长，人们从网上搜到的数据越来越多，相比之下，有用的数据量少之又少。为了帮助人们从纷繁复杂的信息中，找到自己需要的内容，个性化推荐系统应运而生，本文介绍了电影推荐算法以及改进算法，通过对大量的数据进行处理分析、数据可视化，得出结论是通过SVD处理后，推荐精度能够得到进一步的提升，有效克服了传统推荐算法的缺点。

2研究方法

2.1协同过滤算法

协同过滤算法是一种较为著名和常用的推荐算法，它是通过用户的历史搜索记录和浏览记录等信息，对这些信息进行数据挖掘，与相似的客户群体和物品进行对比，发现客户的喜好，据此预测用户可能喜好的产品进行推荐。……