高效的个性化推荐方法助力电商平台实现价值挖掘

原标题：高效的个性化推荐方法助力电商平台实现价值挖掘

“中国科学信息科学”, 及时获取期刊动态!

摘 要

基于SVD推荐模型的协同过滤是应用广泛的个性化推荐技术。最近一项研究针对带有隐式反馈的SVD推荐模型设计了一种高效求解方法，《中国科学：信息科学》最新录用文章报道了这一研究成果。

带有隐式反馈的SVD推荐模型高效求解算法

蔡剑平, 雷蕴奇, 陈明明, 王宁, 张双越

中国科学: 信息科学, 2019, doi: 10.1360/SSI-2019-0107

个性化推荐技术是当今电子商务领域中最重要的信息技术之一。在亚马逊、淘宝、京东等世界知名电子商务平台中，推荐系统扮演着极其重要的角色，并通过海量数据不断地挖掘其中的商业价值，为企业带来难以估计的财富。随着大数据技术的发展，推荐系统所面临的数据量与日俱增，人们对于高效推荐方法的需求也越来越强烈。近日，一项研究针对带有隐式反馈的奇异值分解(Singular Value Decomposition, SVD)推荐模型设计了一种高效方法。

研究相关的论文题为：“带有隐式反馈的SVD推荐模型高效求解算法”，为《中国科学：信息科学》近期录用文章，由厦门华厦学院蔡剑平老师担任通讯作者撰写。研究者通过研究SVD推荐方法的理论模型提出了SVD推荐模型梯度求解框架，为基于SVD设计的推荐模型的梯度求解提供理论支撑。基于该理论框架，设计了基于块梯度下降法(BCD)的SVD++推荐模型的快速求解算法BCDSVD++。

在当今激烈的商业竞争环境下，能否高效、精准地向用户推荐满意的商品并据此提升用户体验对于电商平台至关重要。在众多的推荐方法中，基于SVD推荐模型的协同过滤方法以其具有个性化推荐能力及精准的推荐效果脱颖而出，且备受国内外学者广泛关注。随着人们研究的深入，在SVD推荐模型的基础上，各类推荐方法层出不穷，尤其是以SVD++为代表的带有隐式反馈的SVD推荐模型受到人们广泛认可。然而，目前关于这类改进模型的求解仍主要采用具有广泛适用性的梯度下降方法，缺乏更高效求解方法。在此背景下，带有隐式反馈的SVD推荐模型往往难以有效处理海量数据或者以昂贵的计算资源为代价换取海量数据处理能力。

该项研究采用了矩阵建模的方法，首次将SVD推荐模型形式化表述为矩阵运算模型，并在矩阵理论的基础上对所建模型进行分析推导，面向一类带有隐式反馈的SVD推荐模型提出了梯度求解框架，使得这类SVD推荐模型能够在该理论框架的基础上迅速求解模型的梯度。结合了块坐标下降法的理论，将SVD推荐模型求解问题划分为多个凸优化子问题，然后针对这些问题研究了凸子问题的解析式求解方法。该方法能够一步到位求得子问题的最优解，从而获得高效的模型求解能力以及快速收敛能力。为获得更好的模型求解效果，研究还着重关注了容量矩阵求逆，稀疏数据优化处理两个问题，利用相关的矩阵理论提供了有效的解决方案。

这一研究结果具有较高的创新性及良好的应用前景。它不仅对于基于SVD推荐模型的求解算法设计具有重要意义，而且对于揭示推荐模型的内在原理，探索矩阵理论在大数据技术及人工智能领域的应用具有十分重要的科学意义和参考价值。

研究得到了国家自然科学基金面上项目(No.61671397)和福建省中青年教师教育科研项目(批准号: JT180779)的资助。返回搜狐，查看更多

责任编辑：