融合用户信任度的概率矩阵分解群组推荐算法

摘要：

利用推荐系统进行群组推荐时,群组成员之间的交互关系对推荐结果有很大影响,但传统的群组推荐算法较少考虑用户信任度的重要性,致使社交关系信息不能得到充分利用.在群组融合时考虑群组内用户间的交互关系,提出一种基于用户信任度和概率矩阵的群组推荐算法.在获取用户信任度数据后,使用概率矩阵分解(PMF)算法补全信任度矩阵并进行归一化处理,得到相似度矩阵,同时在后验概率计算过程中加入用户间的信任度因素,通过极大化后验概率获得预测评分.在此基础上,对群组中用户的权重进行归一化处理,使用基于用户交互关系的权重策略融合群组成员偏好,得到最终的推荐结果.在Epinions和FilmTrust数据集上的实验结果表明,该算法可使融合结果更具群组特性,同时提高推荐结果的可靠性和可解释性,且均方根误差和命中率均优于PMF、NeuMF、RippleNet等对比算法.

关键词：群组推荐;偏好融合;概率矩阵分解;用户信任度;协同过滤

所属期刊栏目：48

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金61602399

在线出版日期：2022-01-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：105-111