随着互联网的迅速发展和普及,互联网用户和社交内容的规模爆发式的扩大,逐渐走向信息过载的时代。这时,在信息的过滤和筛选上,推荐系统展现出了强大的优势。它通过对用户个性化的服务来有效的提高客户体验,提升企业服务质量,实现在为企业带来巨大的经济效益同时,为用户创造价值。目前推荐系统大致可分为三大类:基于内容的推荐系统(Content Based Recommender System,简称CB)、协同过滤推荐系统(Collaborative Filtering Recommender System,简称CF)和混合推荐系统(Hybrid Recommender Systems)。在众多推荐算法中,协同过滤算法因其形式简单、推荐效果良好,得到了广泛的应用,而隐语义模型(Latent Factor Model,简称LFM)推荐算法是其中的一种。本文主要以LFM算法为基础,进行分析优化。本文深入分析了隐语义模型推荐算法,随机梯度下降(Stochastic Gradient Descent,简称SGD)算法是其基础的核心算法,根据求参数偏导找到最速下降方向,通过优化迭代获得解。有学者提出带参数的批量学习算法,通过加入了冲量和中间动量来提高学习速率、降低学习时间。本文把深度学习领域应用比较广泛的涅斯捷罗夫梯度加速(Nesterov Accelerated Gradient,简称NAG)引入到LFM算法中,提出了基于NAG动量优化的隐语义模型推荐算法N-LFM(LFM Algorithm Optimization based on NAG),在带参数的LFM推荐算法的基础上再设计一个校正因子,用在动量项迭代求取过程,改进后的算法能够实现矩阵还原的迭代过程加速,实现加速收敛、提升推荐算法精度的效果。此外,考虑到推荐效率的问题,本文提出了基于谱聚类(Spectral Clustering,简称SC)和NAG动量优化的推荐算法CF-NLFMSC(CF Optimization based on N-LFM and SC)。算法在推荐前加入谱聚类算法,而传统的基于聚类的协同过滤推荐技术通过K-Means聚类算法对用户或项目进行聚类,但是本文采用谱聚类算法解决其效果不稳定等问题。通过谱聚类算法的加入,缩小了查找近邻用户的空间,从而有效地减少计算量,改善推荐系统的稀疏性、可扩展性及推荐实时性。改进后的算法能加速数据聚类、减少计算量,实现更好的推荐效果。本文完成算法设计后,首先在Movie Lens数据集中进行了实验。经对比验证,本文提出的CF-NLFMSC算法相对于原算法在Movie Lens100K的数据集的实验中,准确率和召回率上分别提升了2.22%和1.26%,反映出改进算法能够达到更高的准确度;覆盖率提升了4.02%,表示为用户推荐的可选择的商品较多,也就意味着用户的满意度更可能提升;流行度降低了1.09,表示算法能够更多地为用户推荐相对更冷门的物品,对挖掘冷门物品有更好的表现。另外,算法在1M的Movie Lens数据集、Film Trust数据集和Netflix数据集的测试中,依然表现良好。在Movie Lens1M数据集中算法准确率和召回率分别实现了最大到2.94%和14.64%的提升,在Film Trust数据集的Top-10推荐中准确率和召回率分别提升了6.79%和10.34%,在Netflix数据集的Top-10推荐中准确率和召回率分别实现了1.5%和1.66%的提升。验证了改进算法的可行性和有效性,具有实际应用推广价值,同时为深入改进推荐算法有指导作用。。