基于信任模型的社区发现与协同过滤推荐研究与应用

摘要：

文章改进NMF社区发现算法(Nonnegative Matrix Factorization,NMF),得到基于双属性矩阵的NMF社区发现算法(Double Attribute Matrix Nonnegative Matrix Factorization,DAMNMF),在其社团内部进行推荐.因为数据集评估不足可能造成稀疏性问题,使得推荐的效果变差.针对上述问题,将社区发现和信任模型相结合,得到基于社区发现内部信任模型协同过滤推荐,有可能将那些试图影响推荐准确性的恶意用户去除.考虑到信任可以缓解这些问题,则在社区发现中加入信任这个概念,即基于信任模型双属性矩阵非负矩阵分解(Trust Model Double Attribute Matrix Nonnegative Matrix Factorization,TMDAMNMF)社区发现与协同过滤推荐,在真实数据集上进行实验,研究结果表明推荐效果得到了进一步的提升.

关键词：双属性矩阵、社区发现、信任模型、协同过滤、推荐

所属期刊栏目：19

分类号：TP301.6;TN914.42;TP18

在线出版日期：2022-11-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：89-93