基于用户信任和兴趣的概率矩阵分解推荐方法
传统协同过滤推荐算法存在数据稀疏性、冷启动、新用户等问题.随着社交网络和电子商务的迅猛发展,利用用户间的信任关系和用户兴趣提供个性化推荐成为研究的热点.本文提出一种结合用户信任和兴趣的概率矩阵分解(STUIPMF)推荐方法.该方法首先从用户评分角度挖掘用户间的隐性信任关系和潜在兴趣标签,然后利用概率矩阵分解模型对用户评分信息、用户信任关系、用户兴趣标签信息进行矩阵分解,进一步挖掘用户潜在特征,缓解数据稀疏性.在Epinions数据集上进行实验验证,结果表明,该方法能够在一定程度上提高推荐精度,缓解冷启动和新用户问题,同时具有较好的可扩展性.
推荐系统、协同过滤、社交信任、兴趣标签、概率矩阵分解
26
TP3;G25
江苏省高校哲学社会科学基金2015SJD039;中央高校基本科研业务费专项资金NS2016078
2017-10-20(万方平台首次上网日期,不代表论文的发表时间)
共9页
1-9