基于ASVD的协同过滤推荐算法

摘要 协同过滤算法是推荐系统中应用最为广泛和成功的推荐技术,本文针对协同过滤推荐算法中的评分预测问题,对包含正则项的传统BSVD、SVD++模型进行分析改进,详细分析SVD模型的理论方法,加入用户历史行为记录的潜在信息,利用包含用户喜好（如浏览）的隐性特征向量矩阵替换原SVD模型中的用户特征向量矩阵,提出非对称奇异值分解（Asymmetric singular value decomposition,ASVD）模型,并将项目的特征矩阵也进行扩展形成相应的对偶模型,最后将二者的结果进行融合作为最终的预测评分.在MovieLens数据集上进行实验验证,结果表明基于ASVD的评分预测算法与传统BSVD、SVD+[KG-*3]+相比,能有效提高推荐系统的预测精度