基于弱概念相似度的组推荐方法

TP18; 网络数据下的概念认知与知识发现是网络背景下机器学习和人工智能的重要研究方向,已被引入到推荐系统研究中.现有的基于概念格的推荐方法忽视了节点之间的网络结构关系,同时构造概念格的效率低且构建概念集合的约束条件较严,在大规模的社交网络中难以实现.为解决这些问题,本文在网络形式背景的框架下,综合复杂网络的拓扑结构和弱概念相似度,提出了基于弱概念相似度的组推荐算法.首先,定义属性度、属性密度来描述属性的重要性,通过改进的节点影响力来确定专家节点;其次,利用专家节点划分社区,在划分的社区中通过属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐;最后,利用MovieLen...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 38; no. 2; pp. 439 - 450
Main Authors 范敏, 张洁, 李金海
Format Journal Article
LanguageChinese
Published 昆明理工大学理学院,昆明650500 01.03.2023
昆明理工大学数据科学研究中心,昆明650500
Subjects
形式概念分析
组推荐
节点影响力
弱概念相似度
网络形式背景
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2023.02.018

Cover

More Information
Summary:TP18; 网络数据下的概念认知与知识发现是网络背景下机器学习和人工智能的重要研究方向,已被引入到推荐系统研究中.现有的基于概念格的推荐方法忽视了节点之间的网络结构关系,同时构造概念格的效率低且构建概念集合的约束条件较严,在大规模的社交网络中难以实现.为解决这些问题,本文在网络形式背景的框架下,综合复杂网络的拓扑结构和弱概念相似度,提出了基于弱概念相似度的组推荐算法.首先,定义属性度、属性密度来描述属性的重要性,通过改进的节点影响力来确定专家节点;其次,利用专家节点划分社区,在划分的社区中通过属性弱概念下限相似度进行组推荐研究,进而获取推荐规则并对相应社区进行组推荐;最后,利用MovieLens数据集和Filmtrust数据集分析了各参数对本文所提算法的影响,并确定了参数的合理取值.将本文所提算法与其他推荐算法进行比较测试,实验验证了本文算法的有效性.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2023.02.018