可扩展的融合多源异构数据的推荐模型

摘要：

社交关系在生活中扮演着重要角色,用户通常会受到其好友偏好的影响,更容易选择好友购买过的物品.为了解决推荐系统冷启动问题,对融合社交关系的推荐系统进行了研究,提出了贝叶斯个性化排序评论评分社交模型和可扩展的贝叶斯个性化排序评论评分社交模型,将评分、评论、社交关系等多源异构数据从数据源层面进行了融合,通过用户好友信任度模型将社交关系引入到推荐系统中,用基于段向量的分布式词袋模型处理评论,用全连接神经网络处理评分,用改进的贝叶斯个性化排序模型对排序结果进行优化.实验在Yelp公开数据集上进行了实验,实验结果表明,所提出的2种模型的推荐准确度均优于其他推荐模型.

关键词：推荐系统、多源异构数据、社交关系、混合模型、数据融合

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研究发展计划项目;国家自然科学基金项目

在线出版日期：2021-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：106-111