10.19678/j.issn.1000-3428.0059000
融合社交信息的矩阵分解改进推荐算法
矩阵分解的推荐模型具有推荐精度高和易扩展等特点,已成为目前融合社交信息构建推荐系统的主要模型,但在分解过程中,用户偏好矩阵和物品特征矩阵初始赋值的随机性影响了推荐的性能,忽略了物品以及用户之间隐含的联系与区别.为此,提出一种基于社交信息的矩阵分解改进算法.将评分值分别与社交信息和物品的特征属性相结合,构建用户相似网络与物品相似网络,同时应用社区划分充分挖掘用户、物品之间的潜在关系,并按不同类型节点的近邻差异性,通过建立核心、非核心节点的偏好向量与特征向量得到矩阵分解初始矩阵.在公开数据集上的实验结果表明,该算法的推荐性能优于MF、SR2等同类型算法,运行迭代次数明显降低.
推荐算法;社交信息;相似网络;社区发现;矩阵分解
47
TP391.3(计算技术、计算机技术)
国家自然科学基金;甘肃省高等学校创新能力提升项目
2021-11-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
97-105