基于信任关系和项目流行度的矩阵分解推荐算法

针对现有推荐系统推荐覆盖范围不高的问题,提出一种融合项目流行度和用户信任关系的矩阵分解推荐算法。合并用户-项目评分矩阵和用户-用户信任关系矩阵,通过矩阵分解的方式同时传递信任和推荐项目,极大提高了推荐算法的覆盖率,但损失了现有方法8%左右的精度。将项目流行度作为权重因子,引入到高稀疏性的用户-项目评分矩阵中,根据项目流行度对用户评分项目和未评分项目分别进行加权处理,提高了推荐算法的准确率。通过在Epinions数据集上的对比实验结果表明,该算法在大幅度改善推荐覆盖率的同时,保证了推荐的准确率,能够给于用户更好的推荐效果。     

用户非对称信任关系的推荐算法

数据稀疏性是目前协同过滤面临的主要挑战之一。用户间的信任关系为推荐系统提供了有用的附加信息。已有工作主要采用直接信任关系作为附加信息,对间接信任关系考虑得较少。针对这一情况,提出一种融合直接和间接的用户非对称信任关系的推荐算法(ATRec)。首先,构建一种信任传递机制,并利用该机制获得用户间的间接非对称信任关系。其次,根据直接和间接非对称信任关系获得每个用户的信任集合。最后,利用信任集合、最近邻的评分和好评阈值计算出商品的受欢迎程度,进而获得对用户的top-N推荐列表。在真实数据集上的实验结果表明,该算法比主流的推荐算法在top-N推荐性能上有更好的表现。     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

基于信任和概率矩阵分解的协同推荐算法研究

为了解决推荐系统的冷启动和数据稀疏性问题,研究人员利用用户之间的信任关系,提出了多种基于信任的协同推荐算法,这些方法提高了推荐覆盖率,然而推荐精确度却有所降低。因此,本文综合考虑用户之间的信任关系和用户的潜在特征,提出了基于信任和概率矩阵分解的协同推荐算法,首先通过融入用户的相似性、影响力、专业性等知识,计算用户之间不对称的信任关系;然后结合概率矩阵分解模型进行评分预测;最后在数据集上进行实验测试评估,实验表明该算法可以有效提高推荐结果的精确度。     

融合用户动态标签和信任关系的协同过滤算法

针对协同过滤推荐算法中的冷启动以及数据稀疏问题,提出一种融合用户动态标签和用户信任关系的矩阵概率分解模型。该模型首先通过构建用户集、标签集和物品集三者间的动态联系,建立用户动态偏好矩阵;接着构建基于用户社会网络信息的用户信任关系矩阵,该信任关系矩阵使用用户信任反馈机制以实时更新用户间的信任值;最后提出融合用户动态标签和用户信任关系的矩阵概率分解模型,并在MovieLens与Jester_Joke_data数据集上进行仿真实验。实验结果表明,该算法在绝对误差均值、准确率与召回率方面获得了较好的效果,在一定程度上能有效提高了协同过滤推荐算法的性能。     

基于社交信任的概率矩阵因子分解推荐算法

针对评分矩阵和信任矩阵的稀疏性以及推荐精度不高等问题，提出基于社交信任的概率矩阵因子分解推荐算法PMFTrustSVD。该文采用概率矩阵分解算法对信任矩阵进行分解，分别获得用户作为信任者和被信任者的潜在社交偏好；根据用户在作为信任者或被信任者时的偏好不同，将TrustSVD算法中的无向信任矩阵修正为有向矩阵；融合两种算法来预测用户的评分矩阵。在FilmTrust数据集上实验结果表明，该算法优于现有基准算法，能有效缓解用户信任矩阵稀疏的问题并提高推荐精度。     

融合标签传播和信任扩散的个性化推荐方法

信任网络能模拟现实社会,因此其用户间的信任数据可用于推荐算法,但同时也面临数据稀疏的问题,推荐效果较差。针对该问题,提出融合标签传播和信任扩散的个性化推荐方法。设计基于标签传播的大社区发现算法,得到独属于每个用户的大社区。根据各用户所属大社区内用户间的信任网络,给出信任预处理算法,预测用户新的信任关系,从而扩展用户的信任网络,并利用混合信任扩散算法,使用户及其所在大社区内其他用户之间的信任度更趋差异化。使用Epinions.com上的数据集进行实验,结果表明,与普通信任网络推荐方法相比,该方法的推荐准确度有明显提高。     

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.     

融合信任关系与评论文本的矩阵分解推荐算法

针对推荐系统中用户评分数据稀疏所导致推荐结果不精确的问题,本文尝试将用户评分、信任关系和项目评论文本信息融合在概率矩阵分解方法中以缓解评分数据稀疏性问题.首先以共同好友数目及项目流行度改进皮尔逊用户偏好相似程度并将其作为用户间的直接信任值,然后考虑用户间信任传播过程中所有路径的影响构建新的信任网络;其次通过BERT预训练(Pre-training of Deep Bidirectional Transformers for Language Understanding)模型提取项目的评论文本向量,构造项目的评论文本特征矩阵;最后基于概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型融合用户的评分数据、用户的信任关系以及项目的评论文本信息进行推荐.通过不断的理论分析并在真实的Yelp数据集上进行实验验证,均表明本文算法的有效性.     

社交网络环境下基于信任的推荐算法

现有的基于信任的推荐算法通常假设用户是单一和同质的,没有充分挖掘信任关系信息,且相似关系和信任关系的融合缺乏高效的模型,极大地影响了推荐的准确性和可靠性。本文提出一种基于信任的推荐算法。首先结合全局信任和局部信任,并利用信任的传播性质对信任关系进行建模,然后设置推荐权重,综合考虑相似度和信任度来构建用户间的偏好关系,筛选出邻居。接着将基于记忆的协同过滤思想和社交网络的信任关系融入概率矩阵分解模型,同时使用自适应权重动态决定各部分的影响程度,形成高效统一的可信推荐模型Trust-PMF。本文的算法在FilmTrust、Epinions这两个数据集上与相关算法做了对比验证,结果证实了此算法的高效性。