改进学习率的一种高效SVD++算法

推荐系统的核心包括推荐算法及其所依赖的大数据。推荐算法的高效计算,是实现实时人机交互的基本要求。在各种推荐算法中,SVD++算法因其特殊优点而得到广泛应用。但是,大数据背景下SVD++推荐算法的突出问题是计算效率低,难以满足实时人机交互要求。为解决这一问题,提出一种新的方法来提高SVD++推荐算法的计算效率,其核心是采用新的学习率函数对目标函数的指标进行优化。该学习率函数结合指数函数和一次函数的升降速率特点,具有初期值大、中期下降迅速以及后期值小且变化缓慢的特点。仿真实验证明了该方法的有效性。     

一种基于局部结构的改进奇异值分解推荐算法

基于奇异值分解(Singular Value Decomposition, SVD)的推荐算法,在预测准确性、稳定性上具有明显优势,但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多,这极大限制了其在实际项目中的应用.针对这个问题,该文利用评分矩阵的差分矩阵来表征局部结构信息,并作为新的目标函数来优化 SVD 推荐算法.在 MovieLens 和 Netflix 数据集合上的实验结果表明:与经典 SVD 算法相比,该优化算法能够用更少的迭代次数得到更准确的预测结果;与当前的其他算法相比,该优化算法在预测准确性上仅次于 SVD++,在训练时间上具有显著优势.     

基于SVD高职院校在线教学资源推荐系统

本文选择SVD为基础模型,探讨融合高职学生兴趣特征矩阵、高职课程特征矩阵等因素,建构推荐系统。并用Python引入Surprise库,使用了公开的数据集,对新构建SVD的相关模型实施了实验测试。结果表明,与传统推荐过滤方法相比,基于SVD模型的推荐结果在RMSE及MAE值有所提高。但对于该群体的课程兴趣特征,存在提取与分类的问题,在下一步研究工作中将对该算法进行改进。     

基于等效相位中心近似与改进SLIM算法的稀疏阵列快速成像算法（英文）

提出一种应用于毫米波稀疏阵列成像的基于频率域成像算法和压缩感知技术相结合的成像算法。算法包含两个主要步骤,首先采用等效相位中心近似原理,将快速傅里叶变换成像算法用于周边形阵列,由于等效相位中心近似引入的残余相位误差无法在近距离成像应用中被完全补偿,因此在第二个步骤中,提出基于压缩感知技术的基于迭代最小化的稀疏学习(SLIM)的改进算法用于重聚焦初始图像。通过等效相位中心近似原理和改进的SLIM算法的结合,所提算法具备更高的计算效率、提升了图像质量、相比于传统的SLIM算法具备更少的迭代次数。仿真结果验证了所提算法的有效性。     

基于等效相位中心近似与改进SLIM算法的稀疏阵列快速成像算法

提出一种应用于毫米波稀疏阵列成像的基于频率域成像算法和压缩感知技术相结合的成像算法。算法包含两个主要步骤,首先采用等效相位中心近似原理,将快速傅里叶变换成像算法用于周边形阵列,由于等效相位中心近似引入的残余相位误差无法在近距离成像应用中被完全补偿,因此在第二个步骤中,提出基于压缩感知技术的基于迭代最小化的稀疏学习（SLIM）的改进算法用于重聚焦初始图像。通过等效相位中心近似原理和改进的SLIM算法的结合,所提算法具备更高的计算效率、提升了图像质量、相比于传统的SLIM算法具备更少的迭代次数。仿真结果验证了所提算法的有效性。     

结合SVD的协同过滤算法研究

在推荐系统的应用领域中,协同过滤算法是目前使用最为成功的技术之一.然而,随着数据量的不断增加,协同过滤技术面临着众多挑战,主要包括数据矩阵的稀疏性、冷启动以及系统扩展性等问题.针对数据矩阵稀疏性问题,提出了结合SVD矩阵分解技术与协同过滤结合的推荐算法,该算法相对于传统的协同过滤算法有着较高的推荐精度,能够产生高质量的推荐结果.     

基于隐式反馈数据的个性化游戏推荐

现有推荐系统通常采用评分、评论等显式反馈数据实现个性化推荐.然而,显式反馈数据由于在实际中难以获取或因质量问题而往往变得不可用,从而导致相关推荐算法的应用范围受到很大限制.与此相反,诸如点击行为、浏览记录等隐式反馈数据在现实中大量存在.本文提出了一种面向游戏玩家的基于隐式反馈数据的游戏推荐方法.该方法综合考虑了玩家操作次数、操作时长等隐式反馈数据及其时效性,构建了基于伪评分的玩家对游戏的偏好模型,而后通过改进了的SVD++（Singular Value Decomposition++）算法实现个性化游戏推荐.在大规模真实数据集上的实验结果表明本文提出的方法具有更高的推荐精确率和召回率.     

基于内容和协同过滤的科技文献个性化推荐

随着近年来科技的蓬勃发展,我国积累的科技文献资源数据规模逐年递增,日渐庞大。为了提高科技文献资源的利用率和科技服务的质量,对推荐系统需求越发迫切。文中将基于内容的方法和协同过滤相结合,取长补短,来实现科技文献的个性化推荐。TF-IDF算法用于提取科技文献的内容特征,SVD算法用于对评分矩阵进行分解。     

LTE-A系统中预编码矩阵选择算法研究

该文是对第三代移动通信系统长期演进(3G LTE)及其增强版本(LTEAdvanced)下基于码本的MIMO预编码算法进行了研究。传统预编码算法可通过SVD分解获得,而该算法需要获知完整的信道状态信息,它的实现复杂度极高,因此该文在仿真SVD算法的基础上,对基于方程求解特征值获得预编码索引的方法和最大等效信道矩阵选择算法进行了研究,这两种算法在性能上较SVD算法没有损失甚至更优,但复杂度明显降低,基于EPA5、ETU70信道类型进行仿真,仿真结果验证了算法性能。     

基于多级SVD算法的电能质量复合扰动特征分析

针对电能质量复合扰动特征量识别难的问题,通过分析复合扰动特点,提出一种基于奇异值分解的多级SVD特征提取方法。在单级SVD分解原理的基础上,利用2行Hankel矩阵实现SVD多层次递推分解,以多分辨率来展现信号不同空间的近似和细节信号。给出多级SVD的分解和重构算法及数学框架。研究结果表明,在对含有多种复合扰动的电能质量信号处理中,经多级SVD分解及相应幅值谱分析后,清晰提取到各种扰动的特征信息,相应地与单级SVD和小波变换进行比较,证明多级SVD在电能质量复合扰动信号处理领域中具有应用前景。