融合社交网络和兴趣的正则化矩阵分解推荐模型

摘要：

针对目前用户偏好数据和社交关系数据十分稀疏的问题,以及用户可能更加喜欢朋友推荐的商品而不喜欢非朋友推荐的商品这样一个事实,提出了一种结合社交网络和用户间的兴趣偏好相似度的正则化矩阵分解推荐算法,首先针对社交关系数据稀疏问题,利用网络的全局和局部拓扑特性挖掘出用户间的信任和不信任关系矩阵,然后定义了一种改进的用户间的兴趣偏好相似度计算方法,最后在矩阵分解的过程中将信任矩阵、不信任矩阵以及兴趣相关性综合起来为用户作出推荐.实验表明该方法优于主要的正则化推荐方法,与基本的矩阵分解模型(SocialMF)、SoRec、TrustMF、CTRPMF、RecSSN算法相比,算法在均方根误差(RMSE)和平均绝对误差(MAE)上分别减小了1.1％ ～9.5％和2％ ～ 10.1％,取得了较好的推荐效果.

关键词：数据稀疏、推荐系统、社交网络、偏好相似度、矩阵分解、正则化

所属期刊栏目：38

分类号：TP181(自动化基础理论)

在线出版日期：2018-10-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2523-2528