融合社交网络特征的协同过滤推荐算法

TP301; 为了解决传统协同过滤算法中存在的严峻的数据稀疏性问题,提出了一种融合社交网络特征的协同过滤推荐算法.该算法在传统矩阵分解模型基础上,通过融合社交网络特征与用户评分偏好程度得到信任和被信任特征矩阵,然后利用社交特征矩阵、商品特征矩阵和用户评分偏好相似性共同预测用户对商品的评分值.为了验证该算法的可靠性,使用Epinions公开数据集对算法性能进行对比分析.实验结果显示,相比现有的社交推荐算法,所提算法有更小的平均绝对误差和均方根误差,同时算法的时间复杂度与数据集的数量之间为线性关系.因此,该算法可以有效缓解数据稀疏性对推荐结果的影响,并提高推荐准确率.在现实推荐中,该算法可以考虑作...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 12; no. 2; pp. 208 - 217
Main Authors 郭宁宁, 王宝亮, 侯永宏, 常鹏
Format Journal Article
LanguageChinese
Published 天津大学电子信息工程学院,天津,300072%天津大学信息与网络中心,天津,300072 2018
Subjects
用户评分偏好
social network
collaborative filtering
recommender system
rating prediction
推荐系统
社交网络
协同过滤
评分预测
user rating preference
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1702012

Cover

More Information
Summary:TP301; 为了解决传统协同过滤算法中存在的严峻的数据稀疏性问题,提出了一种融合社交网络特征的协同过滤推荐算法.该算法在传统矩阵分解模型基础上,通过融合社交网络特征与用户评分偏好程度得到信任和被信任特征矩阵,然后利用社交特征矩阵、商品特征矩阵和用户评分偏好相似性共同预测用户对商品的评分值.为了验证该算法的可靠性,使用Epinions公开数据集对算法性能进行对比分析.实验结果显示,相比现有的社交推荐算法,所提算法有更小的平均绝对误差和均方根误差,同时算法的时间复杂度与数据集的数量之间为线性关系.因此,该算法可以有效缓解数据稀疏性对推荐结果的影响,并提高推荐准确率.在现实推荐中,该算法可以考虑作为大规模数据集进行商品推荐的一个选择方式.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1702012