推荐星级：

融合用户社会地位和矩阵分解的推荐算法

更新时间：2019-12-25 18:26:42 大小：2M 上传用户：守着阳光1985 查看TA发布的资源 标签：矩阵分解推荐算法 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

随着社交网络服务的日益流行,社交网络平台为推荐算法提供了丰富的额外信息.假设朋友之间共享更多的共同偏好并且用户往往易于接受来自朋友的推荐,越来越多的推荐系统利用社交网络中用户之间的信任关系来改进传统推荐算法的性能.然而,现有基于社交网络推荐算法忽略了2个问题:1)在不同的领域中,用户信任不同的朋友;2)由于用户在不同的领域内具有不同的社会地位,因此,用户在不同的领域内受朋友的影响程度是不同的.首先利用整体的社交网络结构信息和用户的评分信息推导特定领域社交网络结构,然后利用PageRank算法计算用户在特定领域的社会地位,最后提出了一种融合用户社会地位信息的矩阵分解推荐算法.在真实数据集上的实验结果表明:融合用户地位信息的矩阵分解推荐算法的性能优于传统的基于社交网络推荐算法.

部分文件列表

文件名	大小
融合用户社会地位和矩阵分解的推荐算法.pdf	2M

立即下载

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）

：

ＤＯＩ１０．７５４４ｉｓｓｎ１０００１２３９．２０１８．２０１６０７０４

－

计算机研究与发展

（）：，

５５１１１３１２４２０１８

－

ＪｏｕｒｎａｌｏｆＣｏｍｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｍｅｎｔ

ꢀ ꢀ ꢀ ꢀ ꢀ

ｐｐ

ꢀ

融合用户社会地位和矩阵分解的推荐算法

，，

１２３

，

２３

，

２３

４

余永红

高

阳

王

皓

孙栓柱

ꢀ

１

（

）

南京邮电大学通达学院南京

ꢀ

２１０００３

ꢀ

２

３

４

（

计算机软件新技术国家重点实验室南京大学

）

２１００２３

南京

ꢀ

（（

江苏省软件新技术与产业化协同创新中心南京大学

）

２１００２３

南京

ꢀ

（

）

江苏方天电力技术有限公司南京

ꢀ

２１１１００

ꢀ

（

）

ｕｈ．ｎｕｍａｉｌ．ｃｏｍ

ｙｙｊ＠ｇ

ＩｎｔｅｒａｔｉｎＵｓｅｒＳｏｃｉａｌＳｔａｔｕｓａｎｄＭａｔｒｉｘＦａｃｔｏｒｉｚａｔｉｏｎｆｏｒＩｔｅｍＲｅｃｏｍｍｅｎｄａｔｉｏｎ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

ꢀ

ｇ

ꢀ

，，

１２３

，

２３

，

２３

４

，

，，

ＷａｎＨａｏａｎｄＳｕｎＳｈｕａｎｚｈｕ

ｇ

ꢀ ꢀ

ꢀ

ＹｕＹｏｎｈｏｎ

ꢀ

ｇ

ＧａｏＹａｎ

ꢀ

ｇ

１

２

３

（

，

）

ＴｏｎｄａＣｏｌｌｅｅＮａｎｉｎＵｎｉｖｅｒｓｉｔｏＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓＮａｎｉｎ２１０００３

ꢀ

ｇ

ｊｇ

ｙｆ

ꢀ ꢀ

ｊｇ

），）

Ｎａｎｉｎ２１００２３

ｊｇ

ꢀ

（

ＳｔａｔｅＫｅＬａｂｏｒａｔｏｒｏｒＮｏｖｅｌＳｏｔｗａｒｅＴｅｃｈｎｏｌｏ

ꢀ ꢀ ꢀ ꢀ

ｆ

ＮａｎｉｎＵｎｉｖｅｒｓｉｔ

ｊｇ

ꢀ

ｙ

ｙｆ

ꢀ

ｇｙ

ｙ

ꢀ

（

ＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏＮｏｖｅｌＳｏｔｗａｒｅＴｅｃｈｎｏｌｏａｎｄＩｎｄｕｓｔｒｉａｌｉｚａｔｉｏｎＮａｎｉｎＵｎｉｖｅｒｓｉｔ

ꢀ

），

Ｎａｎｉｎ

ｊｇ

ꢀ

ｆ

ꢀ

ｆ

ｇｙ

ｊｇ

ꢀ

ｙ

ꢀ

）

２１００２３

４

（

，

ＪｉａｎｓｕＦｒｏｎｔｉｅｒＥｌｅｃｔｒｉｃＴｅｃｈｎｏｌｏＣｏ．ＬＴＤ．Ｎａｎｉｎ２１１１００

ꢀ

）

ꢀ

ｇ

ｇｙ

ｊｇ

ꢀ

，

ＡｂｓｔｒａｃｔＷｉｔｈｔｈｅｉｎｃｒｅａｓｉｎｏｕｌａｒｉｔｏｆｏｎｌｉｎｅｓｏｃｉａｌｎｅｔｗｏｒｋｓｅｒｖｉｃｅｓｓｏｃｉａｌｎｅｔｗｏｒｋｓｌａｔｆｏｒｍｓ

ｇｐｐｙ ꢀ

ꢀ ꢀ ꢀｐ

ꢀ

ｒｏｖｉｄｅｒｉｃｈｉｎｆｏｒｍａｔｉｏｎｆｏｒｒｅｃｏｍｍｅｎｄｅｒｓｓｔｅｍｓ．Ｂａｓｅｄｏｎｔｈｅａｓｓｕｍｔｉｏｎｔｈａｔｆｒｉｅｎｄｓｓｈａｒｅｍｏｒｅ

ꢀ ꢀ ꢀ ꢀｙ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

ｐ

ꢀ

ｐ

ꢀ

，

ｃｏｍｍｏｎｉｎｔｅｒｅｓｔｓｔｈａｎｎｏｎｆｒｉｅｎｄｓａｎｄｕｓｅｒｓｔｅｎｄｔｏａｃｃｅｔｔｈｅｉｔｅｍｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｆｒｏｍｆｒｉｅｎｄｓ

－ ꢀ ꢀ ꢀ ꢀ ꢀ ｐꢀ ꢀ ꢀ

ꢀ

ｍｏｒｅａｎｄｍｏｒｅｒｅｃｏｍｍｅｎｄｅｒｓｓｔｅｍｓｕｔｉｌｉｚｅｔｒｕｓｔｒｅｌａｔｉｏｎｓｈｉｓｏｆｕｓｅｒｓｔｏｉｍｒｏｖｅｔｈｅｅｒｆｏｒｍａｎｃｅｏｆ

ｐꢀ ꢀ

ꢀ ꢀｙ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ ꢀ ꢀｐ

ꢀ

，

ｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｏｒｉｔｈｍｓ．Ｈｏｗｅｖｅｒｍｏｓｔｏｆｔｈｅｅｘｉｓｔｉｎｓｏｃｉａｌｎｅｔｗｏｒｋｂａｓｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎ

ꢀ ｇ ꢀ ꢀ

ꢀ

ｇ

ꢀ

－

ꢀ

：）

，

ａｌｏｒｉｔｈｍｓｉｎｏｒｅｔｈｅｆｏｌｌｏｗｉｎｒｏｂｌｅｍｓ１ｉｎｄｉｆｆｅｒｅｎｔｄｏｍａｉｎｓｕｓｅｒｓｔｅｎｄｔｏｔｒｕｓｔｄｉｆｆｅｒｅｎｔ

ｇｇｐ

ꢀｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

ꢀ

；）

ｆｒｉｅｎｄｓ２ｔｈｅｄｅｒｅｅｏｆｉｎｆｌｕｅｎｃｅｔｈａｔａｕｓｅｒｉｓａｆｆｅｃｔｅｄｂｔｈｅｉｒｔｒｕｓｔｅｄｆｒｉｅｎｄｓｉｓｄｉｆｆｅｒｅｎｔｉｎ

ꢀ

ꢀ ｇ ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀｙ ꢀ ꢀ ꢀ

ꢀ

，

ｄｉｆｆｅｒｅｎｔｄｏｍａｉｎｓｓｉｎｃｅｔｈｅｕｓｅｒｈａｓｄｉｆｆｅｒｅｎｔｓｏｃｉａｌｓｔａｔｕｓｉｎｄｉｆｆｅｒｅｎｔｄｏｍａｉｎｓ．Ｉｎｔｈｉｓａｅｒｗｅｆｉｒｓｔ

ꢀ ꢀ ꢀｐｐ ꢀ

ꢀ

ｉｎｆｅｒｄｏｍａｉｎｓｅｃｉｆｉｃｓｏｃｉａｌｔｒｕｓｔｒｅｌａｔｉｏｎｎｅｔｗｏｒｋｓｂａｓｅｄｏｎｏｒｉｉｎａｌｕｓｅｒｓｒａｔｉｎｉｎｆｏｒｍａｔｉｏｎａｎｄ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｇ

ꢀ

－

ｐ

ꢀ

ｇ

ꢀ

，

ｓｏｃｉａｌｎｅｔｗｏｒｋｉｎｆｏｒｍａｔｉｏｎａｎｄｔｈｅｎｃｏｍｕｔｅｅａｃｈｕｓｅｒｓｓｏｃｉａｌｓｔａｔｕｓｂｌｅｖｅｒａｉｎＰａｅＲａｎｋ

ꢀ ｙ

ｇｇ

ꢀ

ｐ

ꢀ

ｇ

ꢀ

，

ａｌｏｒｉｔｈｍｆｏｒｅａｃｈｓｅｃｉｆｉｃｄｏｍａｉｎ．Ｆｉｎａｌｌｗｅｒｏｏｓｅａｎｏｖｅｌｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｏｒｉｔｈｍｂ

ꢀ ｐ ꢀｐｐ ꢀ ꢀ ꢀ ｇ ꢀ ｙ

ｇ

ꢀ

ｙ

ꢀ

ｉｎｔｅｒａｔｉｎｕｓｅｒｓｓｏｃｉａｌｓｔａｔｕｓｗｉｔｈｍａｔｒｉｘｆａｃｔｏｒｉｚａｔｉｏｎｍｏｄｅｌ．Ｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｒｅａｌｗｏｒｌｄ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

ｇ

ꢀ

ｐ

ꢀ

－

ｄａｔａｓｅｔｓｈｏｗｔｈａｔｏｕｒｒｏｏｓｅｄａｒｏａｃｈｏｕｔｅｒｆｏｒｍｓｔｒａｄｉｔｉｏｎａｌｓｏｃｉａｌｎｅｔｗｏｒｋｂａｓｅｄｒｅｃｏｍｍｅｎｄａ

ꢀ ꢀ ꢀ －－

ꢀ

ꢀｐｐ

ｐ

ꢀ

－

ｔｉｏｎａｌｏｒｉｔｈｍｓ．

ꢀ ｇ

；

ＫｅｗｏｒｄｓｕｓｅｒｓｏｃｉａｌｓｔａｔｕｓｍａｔｒｉｘｆａｃｔｏｒｉｚａｔｉｏｎｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｏｒｉｔｈｍＰａｅＲａｎｋａｌｏｒｉｔｈｍ

ꢀ ｇ ꢀ ｇ

ｇ

；

ꢀ

ｙ

ꢀ

ｓｏｃｉａｌｎｅｔｗｏｒｋ

ꢀ

，

随着社交网络服务的日益流行社交网络平台为推荐算法提供了丰富的额外信息假设朋友之

．

摘

要

ꢀ

，

间共享更多的共同偏好并且用户往往易于接受来自朋友的推荐越来越多的推荐系统利用社交网络中

：

；

：

修回日期

２０１７０３０７

收稿日期

－－

２０１６０９１８

－

ꢀ

：

基金项目国家自然科学基金项目

（，，

６１４３２００８６１５０３１７８６１４０３２０８

）；

（）；

江苏省高等学校自然科学研

ＢＫ２０１５０５８７

江苏省自然科学基金项目

（

）

究项目

１７ＫＪＢ５２００２８

（，，），

ＴｈｉｓｗｏｒｋｗａｓｓｕｏｒｔｅｄｂｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ６１４３２００８６１５０３１７８６１４０３２０８ｔｈｅＮａｔｕｒａｌ

ꢀ

ꢀ ｐｐ

ꢀｙ

ꢀ

ꢀ ꢀ

ꢀ

（

），

ＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＪｉａｎｓｕＰｒｏｖｉｎｃｅｏｆＣｈｉｎａＢＫ２０１５０５８７ａｎｄｔｈｅＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆｔｈｅＨｉｈｅｒＥｄｕｃａｔｉｏｎ

ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｇ ꢀ

（

ＩｎｓｔｉｔｕｔｉｏｎｓｏｆＪｉａｎｓｕＰｒｏｖｉｎｃｅ１７ＫＪＢ５２００２８

ꢀ ꢀ

）

．

ｇ

ꢀ

，

（）

２０１８５５１

ꢀ

计算机研究与发展

１１４

，

用户之间的信任关系来改进传统推荐算法的性能然而现有基于社交网络推荐算法忽略了个问题

２

：

．

）

在不同的领域中用户信任不同的朋友

１

，

；），，

由于用户在不同的领域内具有不同的社会地位因此用户

２

在不同的领域内受朋友的影响程度是不同的首先利用整体的社交网络结构信息和用户的评分信息推

．

，

导特定领域社交网络结构然后利用

，

算法计算用户在特定领域的社会地位最后提出了一种

ＰａｅＲａｎｋ

ｇ

：

融合用户社会地位信息的矩阵分解推荐算法在真实数据集上的实验结果表明融合用户地位信息的矩

．

阵分解推荐算法的性能优于传统的基于社交网络推荐算法

．

；；

用户社会地位矩阵分解推荐算法

；

算法社交网络

关键词

ＰａｅＲａｎｋ

ｇ

ꢀ

中图法分类号

ＴＰ１８１

ꢀ

，

随着互联网技术的不断发展从海量数据中找

：），

在不同的领域中用户信任

１

算法忽略了个事实

２

ꢀꢀ

［］

１

；）

用户不仅在不同领域中受到不同朋

２

不同的朋友

到有价值的相关信息变得越来越困难推荐系统

．

，

友的影响而且不同用户受朋友影响的程度不同例

．

，

通过分析用户的历史活动数据挖掘用户的潜在偏

，

如在某个社交网络中用户信任用户用户

ｕ

，

，，

好为用户提供个性化的推荐服务成为解决信息过

在

ｖ

，

餐饮方面是权威但是在电子产品方面是入门者用

．

，

载问题的有效手段近年来受到学术界和工业界的

；，

往往会接受用户在餐饮方面的建议相反在

ｖ

户

广泛关注推荐系统的典型应用包括

．

和淘

的音

的新

ｕ

Ａｍａｚｏｎ

，

电子产品方面则不会接受用户的推荐而会转向

ｖ

、

Ｎｅｔｆｌｉｘ

、

Ｌａｓｔ．ｆｍ

宝的商品推荐

的电影推荐

，

在电子产品领域的权威朋友征询意见另外当用户

．

、

ＧｏｏｌｅＮｅｗｓ

ｇ ꢀ

乐推荐

的朋友推荐

ＬｉｎｋｅｄＩｎ

，

向用户推荐餐饮方面的产品时如果用户自

ｕ

闻推荐等这些互联网应用或者电商平台通过部署

．

ｖ

ｕ

，

身不精通餐饮方面的知识或者说在餐饮方面具有

，，

推荐系统一方面满足了用户的个性化需求减轻了

，

较低的社会地位那么用户受到用户的影响程

ｖ

；，

信息过载的问题另一方面提高了用户的忠诚度增

ｕ

；，

度较大相反如果用户对餐饮方面的知识也非常

ｕ

加了企业的营业收入

．

，

在推荐系统的研究中协同过滤算法是目前应

，，

精通换句话说用户在餐饮方面具有较高的社会

ｕ

，

地位那么用户受到用户的影响程度则较小因

ｕｖ．

用最广泛的推荐技术协同过滤算法通过分析用户

．

，

的历史反馈信息预测用户未来的偏好由于协同过

．

，，，

此在推荐系统中针对不同的领域考虑用户在不

，

滤算法仅需要用户的反馈信息不需要用户的概要

同领域的社会地位可以更加准确地反映实际的推荐

，

信息和项目的描述信息因此协同过滤的方法独立

，

过程从而有效地改进推荐算法的性能

．

，

于具体的应用领域可以泛化到不同的应用领域中

，

为了解决以上的问题本文提出了融合用户社

．

，、

然而协同过滤算法存在数据稀疏冷启动等问题

会地位的矩阵分解推荐算法首先结合整体社交网

．

，

络和用户的评分反馈信息利用用户评分和用户信

数据稀疏导致协同过滤算法不能准确地根据用户的

，

评分数据计算用户或者项目之间的相似性从而严

任关系共现的原则来推导特定领域的用户社交网络

［］

７

；

结构然后利用

重影响协同过滤推荐算法的准确性冷启动指由于

．

算法计算每个特定领域

ＰａｅＲａｎｋ

ｇ

与新注册用户和新加入系统项目相关的评分数据较

；

内用户的社会地位最后以用户社会地位来约束矩

，

少协同过滤推荐算法不能准确地找到相似用户或

，

阵分解过程在真实数据集上的实验结果表明本文

．

，，

者项目因而不能为新注册用户提供个性化推荐或

提出融合用户社会地位的矩阵分解推荐算法的性能

者将新加入系统的项目推荐给感兴趣的用户

优于传统的基于社交网络推荐算法

．

，

随着社交网络的出现越来越多的推荐算法

利用社交网络提供的丰富信息来改进传统推荐算

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

融合用户社会地位和矩阵分解的推荐算法

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

资料专题

推荐下载

专栏首页