1. 研究目的与意义

近年来，计算机系统结构(例如硬盘、cpu)的快速发展，使网络数据呈现爆炸式增长，用户难以从众多信息中找到感兴趣的内容。

为快速检索和提供用户所需信息，帮助用户过滤无效的内容，提出了信息过滤技术，故而产生了推荐系统(recommendation system, rs)。

推荐系统主要解决信息过载问题，即从亿万信息中提取针对不同用户感兴趣的项目和商品等，并推荐给用户。

2. 研究内容和预期目标

随着Internet的快速发展,万维网已经成为信息发布和信息获取的主要平台，其信息量增长很快.虽然用户可以直观地从浏览器中得到网页中的信息，然而在短时间内找到自己感兴趣的信息是困难的.个性化推荐系统就是为了解决该类问题而提出的一种智能代理系统，即根据用户的信息，包括用户的性质、用户的资料、用户的偏好、和购买行为等，给用户推荐感兴趣的信息和项目，是有针对性的推荐.本文研究矩阵分解模型及在用户推荐中的应用。

3. 国内外研究现状

作为一种可以应对信息过载问题的有效解决方案,推荐系统被众多科研工作者广泛研究。早在1994年前美国明尼苏达大学中的grouplens一个研究人员小组已经设计并建立了的一个grouplens基于新闻广告的推荐广告体系,该项目贡献了一种形式化模型并为协同过滤的未来发展带来了巨大的影响。netfix于2006年10月举办了大赛，为第一个实现将现有推荐算法精确度提升10%的参赛者奖励一百万美元，这次大赛的参与者提出了诸多推荐算法，也因此将推荐算法的研究提升到了新的高度.现在国内外许多的互联网推荐公司也都是推出自己的个性化推荐服务,其背后也是采用了多种多样的推荐技术，让更多的用户可以轻松地得到自己真正感兴趣的书籍、电影等等。另外还有生活信息服务、定制化新闻、个性化广告等新型服务也都运用到了推荐算法。推荐系统以一部分先验知识为前提向用户推荐某些项目。

数据挖掘技术是计算机技术发展的一个热点话题.通过对大量数据的有效挖掘，可以发现其隐藏的规律或模式，可以进行更好的决策,但是仅仅依靠简单的数据,在较短的时间内却不能查询到这些规律或模式.数据挖掘面临的任务是复杂的，一般包括:数据分类,关联规则发现,和聚类分析等等.

基于奇异值分解的协同过滤算法.nilashi等人用奇异值分解(svd)在每一类项目和用户中找到最相似的项目和用户，这种技术可以显著提高推荐方法的可扩展性.在文献[13]中，boutsidis 和gollopoulos提供了名称为nndsvd的方法来提高nmf算法的初始化.qiao等人利用奇异值分解来解决两个问题:选择合适的分解秩;为nmf算法提供一种好的初始化方法.首先,提取主要成分的数量作为秩;然后,利用奇异值及其向量初始化nmf算法,这种新方法称为svd-nmf .通过与nndsvd和随机初始化相比，svd-nmf算法的收敛速度更快，并提供更小误差的近似值. ben-shimon 等人从svd中提出了一种集成方法进行top-n推荐,该算法只在一个给定的用户向量上在线计算少量的点积，从而快速地从奇异值分解中检索出动态推荐,替代了现有的计算并缓存项目和用户之间的所有点积这种方法.

4. 计划与进度安排

进度计划（包括起讫日期、工作内容等）：

1、2022.11.1-2022.11.15

与指导老师见面，讨论论文选题，确定论文写作的进度计划；

5. 参考文献

[1] hanani u, shapira b, shoval p. information filtering: overview of issues, research and systems[j]. user modeling and user-adapted interaction, 2001, 11(3): 203-259.

[2] gupta s, dave m. an overview of recommendation system: methods and techniques [m]// advances in computing and intelligent systems. springer, singapore, 2020: 231-237.

[3] cui z, xu x, xue f, et al. personalized recommendation system based on collaborative filtering for iot scenarios[j]. ieee transactions on services computing, 2020, 13(4): 685-695.