海量数据下奇异值分解推荐算法的改进与实现

推荐引擎是信息服务的一项重要内容,为了提高推荐算法的准确性,本文在推荐场景中尝试使用奇异值分解算法(SVD),并引入差分矩阵对其进行改进,通过爬取网络中的真实数据,并对爬取的数据进行预处理,使用Python语言对协同过滤、k-means聚类、传统奇异值分解以及改进后的奇异值分解4种算法在推进场景中的运用进行仿真实现,采用控制变量的方式,以平均绝对误差(MAE)作为推荐准确性的度量标准,对不同算法的准确性进行比较、分析,最终得出4种算法准确性上的差异。