呂紅亮　王勁林　鄧峰

摘要：針對現(xiàn)有的多指標推薦模型預測精度較低、速度較慢的問題，提出一種多指標推薦的全局鄰域模型（MGNgbr），該模型綜合全局的打分信息和隱性反饋數(shù)據(jù)，通過隨機梯度下降法學習物品在各個指標上的相似度，選擇相似度最高的前k個鄰居參與運算并最終預測用戶對物品的打分信息，該模型具有預測準確度高、解釋性好、計算復雜度低等優(yōu)點，實驗結果表明，該模型的預測準確度和分類準確度均優(yōu)于現(xiàn)有的平均值融合模型、多維距離模型和多維奇異值分解模型，與多維奇異值分解模型相比，該模型還具有收斂快、運行時間短等優(yōu)點。