基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
随着互联网的普及和信息技术的发展,人们日常生活可以接触到的信息越来越丰富,产生信息数据的速度也越来越快.在拥有海量信息数据的同时,过量的信息不可避免地导致了"信息过载"问题,而推荐系统正是解决这个问题的有效方法之一.首先介绍了奇异值分解(SVD)和SVD推荐算法之间的联系,然后叙述了SVD推荐算法的思路并给出SVD算法模型的最优损失函数.在此基础上,建立一个传统服饰商城的推荐系统,利用158组样本数据测试该系统,得出推荐系统的均方根误差为0.9994,平方绝对值误差为0.7366.此外还计算了样本数据的误差百分比,结果表明绝大多数测试样本的误差百分比在30%以内.基于SVD推荐模型的特点和实验结果得出,SVD推荐模型适用于小型电商平台的商城用户的个性化推荐.
推荐文章
基于Baseline SVD主动学习算法的推荐系统
推荐系统
主动学习
Baseline SVD
样例选择
畲族传统服饰元素在现代服装设计中的应用研究
畲族
传统服饰元素
服装设计
应用研究
改进学习率的一种高效SVD++算法
推荐系统
推荐算法
大数据
SVD++
计算效率
学习率
SVD加速的线性Bregman算法
基追踪
Lagrange对偶
线性Bregman算法
奇异值分解
条件数
优化
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 SVD推荐算法在传统服饰商城的应用
来源期刊 计算机技术与发展 学科 工学
关键词 SVD推荐算法 推荐系统 服饰商城 最速下降算法 奇异值分解
年,卷(期) 2020,(2) 所属期刊栏目 应用开发研究
研究方向 页码范围 211-215
页数 5页 分类号 TP301
字数 3617字 语种 中文
DOI 10.3969/j.issn.1673-629X.2020.02.041
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 袁仕芳 五邑大学数学与计算科学学院 23 18 2.0 3.0
2 钟志攀 五邑大学数学与计算科学学院 1 0 0.0 0.0
3 梁荣锋 五邑大学数学与计算科学学院 1 0 0.0 0.0
4 朱翡虹 五邑大学数学与计算科学学院 1 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (40)
共引文献  (7)
参考文献  (10)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1990(1)
  • 参考文献(1)
  • 二级参考文献(0)
1992(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(1)
  • 二级参考文献(0)
2003(2)
  • 参考文献(1)
  • 二级参考文献(1)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(2)
  • 参考文献(0)
  • 二级参考文献(2)
2007(3)
  • 参考文献(0)
  • 二级参考文献(3)
2009(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(1)
  • 参考文献(0)
  • 二级参考文献(1)
2012(3)
  • 参考文献(1)
  • 二级参考文献(2)
2013(1)
  • 参考文献(0)
  • 二级参考文献(1)
2014(5)
  • 参考文献(0)
  • 二级参考文献(5)
2015(8)
  • 参考文献(0)
  • 二级参考文献(8)
2016(3)
  • 参考文献(0)
  • 二级参考文献(3)
2017(9)
  • 参考文献(0)
  • 二级参考文献(9)
2018(3)
  • 参考文献(0)
  • 二级参考文献(3)
2019(5)
  • 参考文献(5)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
SVD推荐算法
推荐系统
服饰商城
最速下降算法
奇异值分解
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机技术与发展
月刊
1673-629X
61-1450/TP
大16开
西安市雁塔路南段99号
52-127
1991
chi
出版文献量(篇)
12927
总下载数(次)
40
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导