基于奇异值分解(SVD)的推荐系统

毕业论文写的这个题目，然后等毕业了想发上来，但是复制上来之后发现格式全乱了，图也没有，就只发了个摘要。代码在github上，很简单，也是参考了别人的代码。

主要参考了这个博客

https://blog.csdn.net/a819825294/article/details/54291943

我的github地址，完整代码在里面

https://github.com/xixihahag/SVD

摘要

近些年来，电子商务网站不断地贴近人们的生活，给人们的生活带来了很大方便。人们越来越喜欢在网上购物。 电子商务网站也因此快速发展了起来。然而，电子商务网站的内容繁多，同种物品也有很多卖家。购物者很难在短时间内快速决定自己要买哪一个，他们往往要花费大量的时间和精力来选取一个令自己满意的产品， 线上寻找产品的时间往往要多于去实体店的时间。如何通过一种高效率的手段使购物者缩短他们获得到信息的时间，并减少不必要的精力损失是现在研究的难点。推荐系统可以为用户提供更方便快捷的购物体验，并使他们能够快速发现自己喜欢的物品和感兴趣的物品的信息。

基于奇异值分解（SVD）是一种常用的矩阵分解技术，是一种有效的代数特征提取方法。本文实现并改进了基于SVD的推荐算法。首先，理解并实现了SVD协同过滤的基本思想，分析了几种基于SVD的推荐系统流行算法，即根据现有评分，分析用户对降维后的每个奇异值的偏好以及影片包含每个奇异值的程度。并且对个性化推荐系统的发展趋势做了简单介绍。其次，对实施协同过滤算法的步骤进行了分析，并在MovieLens数据集上进行了试验，比较了不同参数算法的性能。再次，研究了隐语义模型的原理，并与其他推荐模型进行了比较，分析了其局限性。然后，在理论基础上对SVD模型进行了改进，实现了RSVD、SVD++、ASVD等改进算法。并融合了邻域模型。最后，在MovieLens数据集上进行了性能对比实验。实验结果表明，融合了邻域模型的隐语义模型在计算精确度和召回率上有所提升。

关键字：奇异值分解；隐式语义模型； 推荐系统； 离线决策; 邻域模型