原標題：高效的個性化推薦方法助力電商平臺實現價值挖掘

“中國科學信息科學”, 及時獲取期刊動態!

摘 要

基于SVD推薦模型的協同過濾是應用廣泛的個性化推薦技術。最近一項研究針對帶有隱式反饋的SVD推薦模型設計了一種高效求解方法，《中國科學：信息科學》最新錄用文章報道了這一研究成果。

帶有隱式反饋的SVD推薦模型高效求解算法

蔡劍平, 雷蘊奇, 陳明明, 王寧, 張雙越

中國科學: 信息科學, 2019, doi: 10.1360/SSI-2019-0107

個性化推薦技術是當今電子商務領域中最重要的信息技術之一。在亞馬遜、淘寶、京東等世界知名電子商務平臺中，推薦系統扮演著極其重要的角色，并通過海量數據不斷地挖掘其中的商業價值，為企業帶來難以估計的財富。隨著大數據技術的發展，推薦系統所面臨的數據量與日俱增，人們對于高效推薦方法的需求也越來越強烈。近日，一項研究針對帶有隱式反饋的奇異值分解(Singular Value Decomposition, SVD)推薦模型設計了一種高效方法。

研究相關的論文題為：“帶有隱式反饋的SVD推薦模型高效求解算法”，為《中國科學：信息科學》近期錄用文章，由廈門華廈學院蔡劍平老師擔任通訊作者撰寫。研究者通過研究SVD推薦方法的理論模型提出了SVD推薦模型梯度求解框架，為基于SVD設計的推薦模型的梯度求解提供理論支撐。基于該理論框架，設計了基于塊梯度下降法(BCD)的SVD++推薦模型的快速求解算法BCDSVD++。

在當今激烈的商業競爭環境下，能否高效、精準地向用戶推薦滿意的商品并據此提升用戶體驗對于電商平臺至關重要。在眾多的推薦方法中，基于SVD推薦模型的協同過濾方法以其具有個性化推薦能力及精準的推薦效果脫穎而出，且備受國內外學者廣泛關注。隨著人們研究的深入，在SVD推薦模型的基礎上，各類推薦方法層出不窮，尤其是以SVD++為代表的帶有隱式反饋的SVD推薦模型受到人們廣泛認可。然而，目前關于這類改進模型的求解仍主要采用具有廣泛適用性的梯度下降方法，缺乏更高效求解方法。在此背景下，帶有隱式反饋的SVD推薦模型往往難以有效處理海量數據或者以昂貴的計算資源為代價換取海量數據處理能力。

該項研究采用了矩陣建模的方法，首次將SVD推薦模型形式化表述為矩陣運算模型，并在矩陣理論的基礎上對所建模型進行分析推導，面向一類帶有隱式反饋的SVD推薦模型提出了梯度求解框架，使得這類SVD推薦模型能夠在該理論框架的基礎上迅速求解模型的梯度。結合了塊坐標下降法的理論，將SVD推薦模型求解問題劃分為多個凸優化子問題，然后針對這些問題研究了凸子問題的解析式求解方法。該方法能夠一步到位求得子問題的最優解，從而獲得高效的模型求解能力以及快速收斂能力。為獲得更好的模型求解效果，研究還著重關注了容量矩陣求逆，稀疏數據優化處理兩個問題，利用相關的矩陣理論提供了有效的解決方案。

這一研究結果具有較高的創新性及良好的應用前景。它不僅對于基于SVD推薦模型的求解算法設計具有重要意義，而且對于揭示推薦模型的內在原理，探索矩陣理論在大數據技術及人工智能領域的應用具有十分重要的科學意義和參考價值。

研究得到了國家自然科學基金面上項目(No.61671397)和福建省中青年教師教育科研項目(批準號: JT180779)的資助。返回搜狐，查看更多

責任編輯：