基于SVM的项目协同过滤算法：解决互联网订餐系统数据稀疏性问题

本篇论文标题为《论文研究-基于SVM的项目协同过滤算法》[1]，由赵婷和余文两位作者共同完成，发表在《中国科技论文在线》上，他们的研究得到了国家自然科学基金（11272066）的支持。赵婷专注于智能购物推荐系统，而余文作为副教授，研究领域包括高性能计算、分子计算、神经网络和软计算等，是论文的通信联系人，邮箱为yuwen@bupt.edu.cn。 该研究主要针对互联网订餐系统的特性，以及随着智能购物系统和项目数量的迅速增长所面临的数据稀疏性问题。在当前推荐系统中，传统的协同过滤算法在大数据背景下可能效率低下，因为数据稀疏可能导致推荐效果不理想。因此，作者提出了一个创新的解决方案——基于支持向量机（SVM）的项目协同过滤算法。 SVM是一种强大的机器学习工具，尤其适用于处理非线性和小样本数据，其在高维空间中的分类能力使得它在解决推荐系统中的项目相似度计算问题时具有优势。论文的方法首先通过训练SVM模型来捕捉用户和项目之间的潜在关联，这一步涉及特征工程和选择合适的核函数。然后，利用训练好的模型计算项目间的相似度，通过这些相似度对未评分的项目进行预测，为用户推荐可能感兴趣的项目。 实验部分展示了这种算法的有效性，通过仿真实验，新提出的算法显示出较低的平均绝对误差（MAE）和较高的精确度，表明其在预测用户偏好和减少推荐误差方面表现出色。论文的关键词包括推荐系统、支持向量机、协同过滤和数据稀疏性，体现了研究的核心技术与应用场景。 此外，论文的分类号TP391表示这属于计算机科学与信息技术类的项目协同过滤算法研究，15页的内容详细阐述了算法的设计、实施和实验结果分析。这篇论文为解决互联网订餐系统中数据稀疏性问题提供了新的思路和技术手段，对于提升个性化推荐的精度和效率具有实际意义。