积分商城

最新搜索： 推完开关电源 CH340 排插 入门教程 canopen TMC5160
您现在的位置是：首页 > 技术资料 > 融合用户社会地位和矩阵分解的推荐算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

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

【关注视频号领20积分】   【关注公众号立即送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  
?
（）： ，  
５５１ １１３１２４ ２０１８  
－
ＪｏｕｒｎａｌｏｆＣｏｍ ｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏ ｍｅｎｔ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ ｐ  
ꢀ
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．ｎｕ ｍａｉｌ．ｃｏｍ  
ｙｙ ｊ ＠ｇ  
Ｉｎｔｅｒａｔｉｎ ＵｓｅｒＳｏｃｉａｌＳｔａｔｕｓａｎｄＭａｔｒｉｘＦａｃｔｏｒｉｚａｔｉｏｎｆｏｒＩｔｅｍＲｅｃｏｍｍｅｎｄａｔｉｏｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ｇ
ｇ
ꢀ
，，  
１２３  
，
２３  
，
２３  
４
，
， ，  
Ｗａｎ Ｈａｏ ａｎｄＳｕｎＳｈｕａｎｚｈｕ  
ｇ
ꢀ ꢀ  
ꢀ
ＹｕＹｏｎｈｏｎ  
ꢀ
ｇ
ＧａｏＹａｎ  
ꢀ
ｇ
ｇ
１
２
３
（
，
，
）
Ｔｏｎ ｄａＣｏｌｌｅｅ Ｎａｎｉｎ Ｕｎｉｖｅｒｓｉｔ ｏ ＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｎａｎｉｎ ２１０００３  
ꢀ
ꢀ
ꢀ
ｇ
ｇ
ｊ ｇ  
ｙ ｆ  
ꢀ ꢀ  
ｊ ｇ  
）， ）  
Ｎａｎｉｎ ２１００２３  
ｊ ｇ  
ꢀ
（
（
ＳｔａｔｅＫｅ Ｌａｂｏｒａｔｏｒ ｏｒＮｏｖｅｌＳｏｔｗａｒｅＴｅｃｈｎｏｌｏ  
ꢀ ꢀ ꢀ ꢀ  
ｆ
Ｎａｎｉｎ Ｕｎｉｖｅｒｓｉｔ  
ｊ ｇ  
ꢀ
ｙ
ｙｆ  
ꢀ
ｇｙ  
ｙ
ꢀ
（
（
ＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏ ＮｏｖｅｌＳｏｔｗａｒｅＴｅｃｈｎｏｌｏ ａｎｄＩｎｄｕｓｔｒｉａｌｉｚａｔｉｏｎ Ｎａｎｉｎ Ｕｎｉｖｅｒｓｉｔ  
ꢀ
），  
Ｎａｎｉｎ  
ｊ ｇ  
ꢀ
ꢀ
ꢀ
ｆ
ꢀ
ꢀ
ｆ
ｇｙ  
ｊ ｇ  
ꢀ
ｙ
ꢀ
ꢀ
）
２１００２３  
４
（
，
ＪｉａｎｓｕＦｒｏｎｔｉｅｒＥｌｅｃｔｒｉｃＴｅｃｈｎｏｌｏ Ｃｏ．ＬＴＤ． Ｎａｎｉｎ ２１１１００  
ꢀ
）
ꢀ
ꢀ
ｇ
ｇｙ  
ｊ ｇ  
ꢀ
，
Ａｂｓｔｒａｃｔ Ｗｉｔｈｔｈｅｉｎｃｒｅａｓｉｎ ｏｕｌａｒｉｔ ｏｆｏｎｌｉｎｅｓｏｃｉａｌｎｅｔｗｏｒｋｓｅｒｖｉｃｅｓ ｓｏｃｉａｌｎｅｔｗｏｒｋｓ ｌａｔｆｏｒｍｓ  
ｇｐｐ ｙ ꢀ  
ꢀ ꢀ ꢀｐ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｒｏｖｉｄｅｒｉｃｈｉｎｆｏｒｍａｔｉｏｎｆｏｒｒｅｃｏｍｍｅｎｄｅｒｓｓｔｅｍｓ．Ｂａｓｅｄｏｎｔｈｅａｓｓｕｍ ｔｉｏｎｔｈａｔｆｒｉｅｎｄｓｓｈａｒｅｍｏｒｅ  
ꢀ ꢀ ꢀ ꢀｙ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ
ꢀ
ｐ
ꢀ
，
ｃｏｍｍｏｎｉｎｔｅｒｅｓｔｓｔｈａｎｎｏｎｆｒｉｅｎｄｓａｎｄｕｓｅｒｓｔｅｎｄｔｏａｃｃｅｔｔｈｅｉｔｅｍｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｆｒｏｍｆｒｉｅｎｄｓ  
－ ꢀ ꢀ ꢀ ꢀ ꢀ ｐꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｍｏｒｅａｎｄｍｏｒｅｒｅｃｏｍｍｅｎｄｅｒｓｓｔｅｍｓｕｔｉｌｉｚｅｔｒｕｓｔｒｅｌａｔｉｏｎｓｈｉｓｏｆｕｓｅｒｓｔｏｉｍ ｒｏｖｅｔｈｅ ｅｒｆｏｒｍａｎｃｅｏｆ  
ｐꢀ ꢀ  
ꢀ ꢀｙ ꢀ ꢀ ꢀ ꢀ ꢀ ｐ ꢀ ꢀｐ  
ꢀ
ꢀ
ꢀ
，
ｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｏｒｉｔｈｍｓ．Ｈｏｗｅｖｅｒ ｍｏｓｔｏｆｔｈｅｅｘｉｓｔｉｎ ｓｏｃｉａｌｎｅｔｗｏｒｋｂａｓｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎ  
ꢀ ｇ ꢀ ꢀ  
ꢀ
ｇ
ꢀ
－
－
ꢀ
： ）  
，
ａｌｏｒｉｔｈｍｓｉｎｏｒｅｔｈｅｆｏｌｌｏｗｉｎ ｒｏｂｌｅｍｓ １ ｉｎｄｉｆｆｅｒｅｎｔｄｏｍａｉｎｓ ｕｓｅｒｓｔｅｎｄｔｏｔｒｕｓｔｄｉｆｆｅｒｅｎｔ  
ｇ ｇｐ  
ꢀｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
； ）  
ｆｒｉｅｎｄｓ ２ ｔｈｅｄｅｒｅｅｏｆｉｎｆｌｕｅｎｃｅｔｈａｔａｕｓｅｒｉｓａｆｆｅｃｔｅｄｂ ｔｈｅｉｒｔｒｕｓｔｅｄｆｒｉｅｎｄｓｉｓｄｉｆｆｅｒｅｎｔｉｎ  
ꢀ
ꢀ ｇ ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀｙ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
，
ｄｉｆｆｅｒｅｎｔｄｏｍａｉｎｓｓｉｎｃｅｔｈｅｕｓｅｒｈａｓｄｉｆｆｅｒｅｎｔｓｏｃｉａｌｓｔａｔｕｓｉｎｄｉｆｆｅｒｅｎｔｄｏｍａｉｎｓ．Ｉｎｔｈｉｓ ａｅｒ ｗｅｆｉｒｓｔ  
ꢀ ꢀ ꢀｐｐ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｉｎｆｅｒｄｏｍａｉｎｓｅｃｉｆｉｃｓｏｃｉａｌｔｒｕｓｔｒｅｌａｔｉｏｎｎｅｔｗｏｒｋｓｂａｓｅｄｏｎｏｒｉｉｎａｌｕｓｅｒｓｒａｔｉｎ ｉｎｆｏｒｍａｔｉｏｎａｎｄ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｇ  
ꢀ
－
ｐ
ꢀ
ｇ
ꢀ
ꢀ
，
ｓｏｃｉａｌｎｅｔｗｏｒｋｉｎｆｏｒｍａｔｉｏｎ ａｎｄｔｈｅｎｃｏｍ ｕｔｅｅａｃｈ ｕｓｅｒｓｓｏｃｉａｌｓｔａｔｕｓｂ ｌｅｖｅｒａｉｎ ＰａｅＲａｎｋ  
ꢀ ｙ  
ｇ ｇ  
ꢀ
ꢀ
ꢀ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
，
ａｌｏｒｉｔｈｍｆｏｒｅａｃｈ ｓｅｃｉｆｉｃ ｄｏｍａｉｎ．Ｆｉｎａｌｌ ｗｅ ｒｏｏｓｅａ ｎｏｖｅｌｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｏｒｉｔｈｍ ｂ  
ꢀ ｐ ꢀｐ ｐ ꢀ ꢀ ꢀ ｇ ꢀ ｙ  
ｇ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｉｎｔｅｒａｔｉｎ ｕｓｅｒｓｓｏｃｉａｌｓｔａｔｕｓｗｉｔｈ ｍａｔｒｉｘｆａｃｔｏｒｉｚａｔｉｏｎ ｍｏｄｅｌ．Ｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｒｅａｌｗｏｒｌｄ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ｇ
ｇ
ꢀ
ｐ
ꢀ
－
ｄａｔａｓｅｔｓｈｏｗｔｈａｔｏｕｒ ｒｏｏｓｅｄａ ｒｏａｃｈｏｕｔｅｒｆｏｒｍｓｔｒａｄｉｔｉｏｎａｌｓｏｃｉａｌｎｅｔｗｏｒｋｂａｓｅｄｒｅｃｏｍｍｅｎｄａ  
ꢀ ꢀ ꢀ － －  
ꢀ
ꢀ
ꢀ
ꢀｐ ｐ  
ꢀｐｐ  
ｐ
ꢀ
－
ｔｉｏｎａｌｏｒｉｔｈｍｓ．  
ꢀ ｇ  
；
；
；
Ｋｅ ｗｏｒｄｓ ｕｓｅｒｓｏｃｉａｌｓｔａｔｕｓ ｍａｔｒｉｘｆａｃｔｏｒｉｚａｔｉｏｎ ｒｅｃｏｍｍｅｎｄａｔｉｏｎａｌｏｒｉｔｈｍ ＰａｅＲａｎｋａｌｏｒｉｔｈｍ  
ꢀ 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  
２０１７ ０３ ０７  
收稿日期  
－ －  
２０１６ ０９ １８  
－
－
ꢀ
ꢀ
：
基金项目 国家自然科学基金项目  
（ ， ，  
６１４３２００８ ６１５０３１７８ ６１４０３２０８  
）；  
（ ）；  
江苏省高等学校自然科学研  
Ｂ Ｋ２０１５０５８７  
江苏省自然科学基金项目  
（
）
究项目  
１７ＫＪＢ５２００２８  
（ ， ， ），  
Ｔｈｉｓｗｏｒｋｗａｓｓｕ ｏｒｔｅｄｂ ｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ ６１４３２００８ ６１５０３１７８ ６１４０３２０８ ｔｈｅＮａｔｕｒａｌ  
ꢀ
ꢀ
ꢀ
ꢀ ｐｐ  
ꢀｙ  
ꢀ
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
ꢀ
（
），  
ＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＪｉａｎｓｕＰｒｏｖｉｎｃｅｏｆＣｈｉｎａ Ｂ Ｋ２０１５０５８７ ａｎｄｔｈｅＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆｔｈｅ ＨｉｈｅｒＥｄｕｃａｔｉｏｎ  
ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｇ ꢀ  
（
ＩｎｓｔｉｔｕｔｉｏｎｓｏｆＪｉａｎｓｕＰｒｏｖｉｎｃｅ １７ＫＪＢ５２００２８  
ꢀ ꢀ  
）
．
ｇ
ꢀ
，
（）  
２０１８ ５５１  
ꢀ
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
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  
ｕ ｖ ．  
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  
相关研究工作  
１
ꢀ
，
法的性能 特 别 是 解 决 传 统 协 同 过 滤 方 法 中 的 冷  
启动问题 基 于 社 交 网 络 的 推 荐 算 法 一 般 假 设 社  
．
，
本节主要介绍 类典型的推荐算法 包括协同  
２
，
交网络中用户的偏好受到朋友的影响 并且朋友之  
过滤推荐算法和基于社交网络的推荐算法  
．
间具有相似的偏好 典型的基于社交网络的推荐算  
．
协同过滤推荐算法  
１．１  
ꢀ
［］  
２
，
［］  
３
，
［］  
４
，
［］  
５
，
法 如  
协同过滤推荐算法仅需分析用户的历史活动记  
ＳｏＲｅｃ ＲＳＴＥ ＳｏｃｉａｌＭＦ ＴｒｕｓｔＭＦ  
［］  
６
，
等 然而 已有的基于社交网络的推荐  
．
（ ） ，  
录 一般为用户－项目评分矩阵 来进行推荐 不需要  
ＴｒｕｓｔＳＶＤ  

相关下载

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

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号