近年来，随着电子商务的快速发展，每天采集到的用户行为信息和项目信息呈指数式增长，如何对这些数据进行快速处理，并使用户在可接受的时间范围内看到为其呈现的推荐产品列表，无疑是一种提高销售量的很好途径。特别是在大数据时代，推荐系统对庞大数据的处理能力再一次受到了挑战，提高推荐系统的推荐效率成了研究的重点。
在很多情况下，虽然协同过滤推荐技术可以提供较高的准确率，但计算成本太高，只能部署在离线场景下，并且已知的评价信息不能随时更新，实时性差。为代替相似度计算，在前面两章都提出了基于支持向量机的推荐方法，并针对不同的需求，实现了不同的推荐策略。这两种方法在预测模型建立时，都需要对提取的特征向量进行求逆运算，如果特征向量的维度比较高，那么计算复杂度将会快速升高，影响推荐速度。即使基于模型的个性化推荐方法在训练阶段都在离线状态下进行，但从整体推荐速度讲，数据量太大也将造成训练时间过长，影响整体推荐速度。
此外，在很多实际场景中，需要动态自适应的推荐算法，能够让新用户、新项目和新评分以最快的速度进入系统，使系统具有一定的实时处理能力，所以实时性是影响推荐准确性的一个重要因素。捕捉用户的实时信息并加以利用可以提高推荐系统对用户兴趣和偏好的变化进行实时掌握，不断调整其推荐策略，增强推荐系统的自适应能力(即对实时信息的处理能力)。同时，在推荐的过程中，也发现了用户对项目的不同属性有不同的关注度。因此，在模型训练时，对不同的属性附加不同的权重(通过对用户配置文件的分析形成定量的表示形式，以发现用户的偏好程度)，而不是对所有的属性赋予相同的权重，这样可以突出用户关注度高的属性，是对用户偏好的一种倾向。
为此，在前面研究的基础上，提出了基于对称支持向量机(Twin Support Vector Machine，TWSVM)的个性化推荐方法。首先，采用平滑技术和核减少技术提升推荐算法的效率，并结合用户的行为信息和项目信息等来训练模型；然后，根据用户的反馈数据(用户的评分数据，即用户打的标签)更新训练数据集，来不断更新推荐模型，使模型可以根据用户偏好和兴趣的变化而改变其推荐策略。同时，为体现用户对项目的某种偏好，在训练模型时，对用户关注度高的属性设置较大的权重值，进一步提高推荐的质量。基于TWSVM和用户反馈的个性化推荐框架如图5.1所示。(www.xing528.com)
图5.1 基于TWSVM和用户反馈的个性化推荐框架
Fig.5.1 Framework for personalized recommendation based on TWSVM and user feedback
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
