1、推薦系統(tǒng)的產(chǎn)生源自海量信息過(guò)載問(wèn)題，在各式各樣的推薦系統(tǒng)中，發(fā)展出了很多高效的算法，使得如今推薦系統(tǒng)在電子商務(wù)，社交媒體，廣告系統(tǒng)，搜索引擎等領(lǐng)域取得了一定的成功。一般來(lái)講，推薦算法分為基于內(nèi)容和協(xié)同過(guò)濾兩種方式，其中基于內(nèi)容的推薦至今未取得較好的效果，協(xié)同過(guò)濾卻取得了廣泛的應(yīng)用。傳統(tǒng)的協(xié)同過(guò)濾技術(shù)基于推薦對(duì)象之間的相似度，通過(guò)近鄰對(duì)象來(lái)進(jìn)行推薦，但是這樣的方式會(huì)帶來(lái)海量的計(jì)算，限制實(shí)時(shí)推薦的應(yīng)用。為了達(dá)到更高的精度，減少計(jì)算復(fù)雜度，最

2、近一段時(shí)間，從機(jī)器學(xué)習(xí)中的隱因子分析得到啟發(fā)，發(fā)展出了隱因子模型的推薦算法。這種方法使用奇異值分解或者隨機(jī)梯度下降等方法將用戶的評(píng)分矩陣分解為用戶和產(chǎn)品的特征矩陣。本文著重討論了兩種隱因子模型：奇異值分解和隨機(jī)梯度下降。然后比較了它們和傳統(tǒng)最近鄰算法在Movielens電影推薦系統(tǒng)真實(shí)數(shù)據(jù)集上的效果。試驗(yàn)結(jié)果表明，奇異值分解和隨機(jī)梯度下降算法的“平均絕對(duì)誤差”比“最近鄰算法”分別下降了14.6％和17.9％。我們可以看出相對(duì)于傳統(tǒng)的最近