第4章　SVD和信任因子相结合的协同过滤推荐算法

针对推荐系统在数据稀疏情况下推荐质量不高的问题，提出将奇异值分解（Singular Value Decomposition, SVD）技术和信任模型相融合的协同过滤推荐算法。首先运用SVD降维技术得到项目的隐式特征空间。然后用改进的余弦相似度计算项目间相似度，根据k近邻（k-Nearest Neighbor, k-NN）算法得到第一阶段最近邻居集。接着引入项目信任因子，建立信任模型并融入相似度空间中，进行第二阶段k近邻选择，从而完成预测推荐。最后在Movie Lens数据集与传统的算法进行实验对比，本章提出的算法其标准误差RMSE（Root Mean Squared Error）的精度提高了0.53%。