基于矩阵素描和k 均值聚类的增量非负矩阵分解

随着因特网上信息的增加,在商业应用中迫切需要在线和实时推荐。 这种推荐通过结合用户的历史数据和他们的当前行为来获得结果。 传统的推荐算法具有很高的计算复杂度,因此在处理大量历史数据时通常会延迟其React。 在本文中,我们研究了现代应用程序中在线和实时处理的基本需求。 特别是为了给用户提供更好的在线体验,本文提出了一种增量推荐算法,以减少计算复杂度和React时间。 可以将所提出的算法视为非负矩阵分解的在线版本。 本文采用矩阵草图法和k-means聚类分别处理冷启动用户和现有用户,实验表明该算法的性能优于竞争对手。