推荐系统中广泛使用基于协同过滤(Collaboraive Filtering, CF)的推荐算法。该类算法基于用户对商品的评分或其他行为模式来为用户提供个性化的推荐。

构成协同过滤(CF)的两种主要技术:基于邻域的方法和隐语义模型,其中,基于矩阵分解的隐语义模型在预测的稳定性以及精确度上获得了广泛认可。

SVD 介绍

对于矩阵分解方法,早期主要是利用奇异值分解(Singular Value Decomposition, SVD),其主要缺点在于一开始就需要对评分矩阵的缺失值进行补全,即将一个稀疏矩阵转化为一个稠密矩阵后再进行分解。然而,对高维稠密矩阵进行SVD分解的时间复杂度和空间复杂度都非常高。于是,基于正则化的矩阵分解(RSVD)模型和非对称矩阵分解模型(ASVD)同相继被提出,通过充分的正则化来避免过拟合,且取得了较好的预测准确性。

SVD++ 介绍

SVD++模型门在基于正则化矩阵分解(RSVD)模型基础上融合隐式反馈信息使得预测的准确度进一步提高。但是该算法模型忽略了一个重要影响因素:用户的爱好和物品的流行度都可能会随着时间的变化而变化。

TimeSVD++ 介绍

Liang等人提出了一个基于时间依赖模型的推荐系统TimeSVD++,将时间因子引入到协同过滤算法中,有效提高推荐系统的预测准确度,但该模型引入的时间因子中,物品偏置只与物品相关,用户偏置只与用户相关,导致推荐结果欠缺稳定性。