摘要 针对基于内存的协同过滤推荐算法存在推荐列表排序效果不佳的问题，提出基于Pairwise排序学习的因子分解推荐算. 法(简称Pairwise sVD推荐算法)。新算法将因子分解的预测结果作为排序学习算法的输入，把排序问题转换成分类问题使用排序学习理论促进排序产生推荐列表。实验结果表明相比基于内存的协同过滤推荐算法，Pairwise-SVD推荐算法的排序效果更佳。其在指标Kendall-tau上提高了近一倍，在指标MRR上提高了近30%，且在指标MAP上也有小幅提高。

　　关键词 Pairwise 因子分解 协同过滤 分类 排序学习

　　中图分类号 TP3

　　引言 随着大数据时代的到来，信息过载问题成为人们日益关注解决的问题。用户迫切希望可以从海量数据当中发现对于自己有用的信息，针对这一需求研究人员提出了推荐系统这一研究课题。

　　推荐系统主要以推荐列表的形式给用户推送信息也成为Top-N推荐。基于内存的协同过滤推荐算法主要有基于用户协同过滤推荐算法和基于物品的协同过滤推荐算法。这类算法的特点是通过相似度计算来给用户推送器可能感兴趣的物品信息。不过这类算法也有排序效果不佳的不足，主要是没有考虑推荐物品与用户的相关度。为提高推荐算法的预测精度，学术界对评分预测问题展开了大量的研究。其中典型的算法是以因子分解算法为达标的一系列改进算法。文档将详细介绍推荐系统领域的一些研究情况。

[imageId]

[/imageId]