一种新的异构网络中基于上下文相关的推荐模型

摘要：

随着异构网络中数据的急速递增，搜索引擎如何更准确地帮助用户找到所需的信息成为研究者关心的问题。基于集体矩阵分解（CMF）的推荐系统为解决这一问题提出了新的思路，但集体矩阵分解存在一个主要问题是，在不同上下文中的共享实体使用相同的潜在因素。这导致某一上下文中冷启动实体的潜在因素主要取决于另一上下文，这显然不能够准确描述该实体。针对这一问题，文章提出一个上下文相关的矩阵分解模型（CDMF），通过从每一段上下文的每个实体及转移矩阵获得一般的潜在因素，并将之转换成与上下文相关的潜在因素。通过实验证明，基于上下文相关的推荐模型，优于集体矩阵分解方案。

关键词：异构网络、上下文、推荐、矩阵分解、冷启动

分类号：TN918

在线出版日期：2014-01-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共2页

页码：44-45