摘要：基于奇异值分解（Singular Value Decomposition，SVD）的推荐算法，在预测准确性、稳定性上具有明显优势，但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多，这极大限制了其在实际项目中的应用。针对这个问题，该文利用评分矩阵的差分矩阵来表征局部结构信息，并作为新的目标函数来优化SVD推荐算法。在MovieLens和Netflix数据集合上的实验结果表明：与经典SVD算法相比，该优化算法能够用更少的迭代次数得到更准确的预测结果；与当前的其他算法相比，该优化算法在预测准确性上仅次于SVD＋＋，在训练时问上具有显著优势。

关键词：信息处理 推荐系统 协同过滤 局部结构 

单位：国家数字交换系统工程技术研究中心 郑州450002 清华大学软件学院 北京100084