LLFR：面向大数据场景的基于 Lanczos 的潜在因子推荐器

本硕士论文的目的是研究并开发一种新的协同过滤算法框架，以在 Top-N 推荐问题中生成推荐。因此，我们提出了 Lanczos 潜在因子推荐器（LLFR）；一种用于 Top-N 推荐的新型“大数据友好”协同过滤算法。利用基于 Lanczos 的高效计算过程，LLFR 构建了一个低维物品相似度模型，该模型可被直接用于在物品空间上生成个性化排序向量。在多个真实数据集上的实验表明，LLFR 在计算和定性两个视角上均优于其他最先进的 Top-N 推荐方法。我们的实验结果还表明，与竞争方法相比，其相对性能提升随着数据变得稀疏而增加，如在冷启动问题中。更具体地说，无论是当稀疏性是普遍的——如在新社区问题中，这是真实的推荐系统在初始阶段面临的非常普遍的问题，此时没有足够数量的评分供协同过滤算法发现物品或用户之间的相似性——还是在稀疏性局部化于数据集一小部分的非常有趣的情况下——如在新用户问题中，新用户被引入系统，他们尚未对许多物品评分，因此 CF 算法尚无法做出可靠的个性化推荐——这一点都成立。