基于增量矩阵分解的推荐系统研究

摘要

矩阵分解(Matrix Factorization, MF)属于推荐系统中的一种应用广泛且较为经典的算法。它是基于用户行为的推荐算法,被广泛知道的是矩阵分解算法是一种很好的推荐算法。在Netflix Prize算法竞赛中取得了巨大成就,有很多应用矩阵分解拿到冠军的团队,矩阵分解可以有效地解决电影评分预测问题。传统的推荐模型通常采用离线训练的方法,计算出所有训练数据的预测系数用户。在实践中场景中总有一些新用户在训练集中找不到。但我们有他的历史行为记录。那我们对该用户如何进行预测评分呢?最简单的方法是将新用户的数据与旧数据集相结合,再一次进行矩阵分解操作。但是这样的操作计算成本太高了,对于时间成本的要求过高,是行不通的。对于新用户的电影评分预测如何解决这一问题,经过对比分析实验,发现增量矩阵分解算法就可以很好的帮助我们解决新用户电影评分预测的问题,本文将具体阐述如何通过增量更新的方式,大幅度的减少针对新用户电影评分预测的时间,有效的解决新用户进入系统后数据快速更新的问题。每当有新的数据产生,新的用户产品的时候,系统可以快速的对其进行训练,使得模型能够实时应用,优化用户体验。