矩阵分解技术在电影推荐系统中的应用

蔡崇超，许华虎

（1.上海大学计算机工程与科学学院，上海 200444；2.湖州职业技术学院物流与信息工程学院，浙江湖州 313000）

0 引言

为解决社交网络信息过载问题，需引入用户或内容推荐系统。传统的推荐系统以协同过滤算法为主，该算法没有考虑到社交网络中不同用户之间的关联关系对推荐结果的影响。并且，在社交网络研究过程中发现，大多数用户对于内容的评论较少，绝大多数内容由少数人产生，即存在着稀疏矩阵问题。

本文主要研究基于社交网络关系的推荐系统在电影领域的应用情况。随着移动互联网在人们日常生活中的全面渗透，互联网公司往往应用千人千面技术增加用户粘度，在影视领域这种情况更加普遍。

相比而言，电影点评推荐相关研究开展得较早。目前，在推荐系统领域较为成熟的电影数据集有很多，例如movielens［1］、Netflix［2］、Douban［3］，以上都是推荐系统较为常用的数据集，本实验主要在Douban 和Netflix 上进行。

协同过滤推荐算法［4-5］在电影推荐领域较为常见，该算法通过记录用户行为预测用户喜好，进而完成电影推荐任务。王骏等［4］通过改进神经协同过滤模型，利用多层感知机的非线性特征处理提取隐含高阶特征信息以及贝叶斯个性化排序算法提取排序信息，使推荐更加精准，但是该方法忽略了社交网络中用户之间关系的影响力。随着社交网络的兴起，用户之间有了更加复杂的关联关系，这使得单纯的协同过滤算法推荐精度有所下降。

在社交网络中用户之间的社交关系和用户发布的内容往往有很强的关联性［6-7］，人们总是倾向于关注与自己兴趣点近似的人群。……