基于概率矩阵分解算法的社交网络用户兴趣点个性化推荐
在社交网络环境中,传统社交网络用户兴趣点的个性化推荐方法存在网络用户兴趣行为的预测精准性低、用户社交数据覆盖率低的问题,不能充分挖掘用户兴趣点的时空序列特征,为此提出了一种基于概率矩阵分解算法的社交网络用户兴趣点个性化推荐方法.在模型训练的伪代码群中,计算与矩阵概率的变异算子相关的数值结果,实现社交关系网络的物理分割,完成基于概率矩阵分解算法的社交网络节点建模.在此基础上,搭建个性化社交网络框架,按照用户兴趣行为的特征挖掘结果,选择个性化的用户来推荐节点,完成社交网络用户兴趣点个性化推荐方法的建立.实用性检测结果表明,与传统方法相比,应用新型个性化推荐方法后,网络用户兴趣行为的预测精准度最高可达 100%,用户社交数据覆盖率约为 75%,提高了网络用户兴趣行为的预测精准性和用户社交数据覆盖率,社交网络用户兴趣点的时空序列特征得到了充分挖掘.
概率矩阵、分结算法、社交网络用户、兴趣点推荐、伪代码群、变异算子、行为特征、时空序列
47
TP369(计算技术、计算机技术)
国家自然科学基金资助项目;高等学校博士学科点专项科研基金资助项目
2020-12-28(万方平台首次上网日期,不代表论文的发表时间)
共5页
144-148