融合用户社会地位和矩阵分解的推荐算法

余永红; 高阳; 王皓; 孙栓柱

doi:10.7544/issn1000-1239.2018.20160704

融合用户社会地位和矩阵分解的推荐算法

余永红^1,2,3,
高阳^2,3,
王皓^2,3,
孙栓柱⁴

¹(南京邮电大学通达学院南京 210003)
²(计算机软件新技术国家重点实验室(南京大学) 南京 210023)
³(江苏省软件新技术与产业化协同创新中心(南京大学) 南京 210023)
⁴(江苏方天电力技术有限公司南京 211100) (yuyh.nju@gmail.com)

基金项目: 国家自然科学基金项目(61432008，61503178，61403208)；江苏省自然科学基金项目(BK20150587)；江苏省高等学校自然科学研究项目(17KJB520028)

详细信息

中图分类号: TP181
计量
- 文章访问数: 1567
- HTML全文浏览量: 0
- PDF下载量: 1145
出版历程
- 发布日期: 2017-12-31

Integrating User Social Status and Matrix Factorization for Item Recommendation

Yu Yonghong^1,2,3,
Gao Yang^2,3,
Wang Hao^2,3,
Sun Shuanzhu⁴

¹(Tongda College, Nanjing University of Posts and Telecommunications, Nanjing 210003)
²(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023)
³(Collaborative Innovation Center of Novel Software Technology and Industrialization (Nanjing University), Nanjing 210023)
⁴(Jiangsu Frontier Electric Technology Co. LTD., Nanjing 211100)

摘要

摘要: 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.
- 用户社会地位 /
- 矩阵分解 /
- 推荐算法 /
- PageRank算法 /
- 社交网络
Abstract: With the increasing popularity of online social network services, social networks platforms provide rich information for recommender systems. Based on the assumption that friends share more common interests than non-friends and users tend to accept the item recommendations from friends, more and more recommender systems utilize trust relationships of users to improve the performance of recommendation algorithms. However, most of the existing social-network-based recommendation algorithms ignore the following problems: 1) in different domains, users tend to trust different friends; 2) the degree of influence that a user is affected by their trusted friends is different in different domains since the user has different social status in different domains. In this paper, we first infer domain-specific social trust relation networks based on original users’ rating information and social network information, and then compute each user’s social status by leveraging PageRank algorithm for each specific domain. Finally, we propose a novel recommendation algorithm by integrating users’ social status with matrix factorization model. Experimental results on real-world dataset show that our proposed approach outperforms traditional social-network-based recommenda-tion algorithms.
- user social status /
- matrix factorization /
- recommendation algorithm /
- PageRank algorithm /
- social network

HTML全文

参考文献(0)

施引文献(21)

期刊类型引用(14)

1.	孙林，马天娇. 基于中心偏移的Fisher score与直觉邻域模糊熵的多标记特征选择. 计算机科学. 2024(07): 96-107 . 百度学术
2.	袁钟，陈红梅，王志红，李天瑞 . 利用混杂核模糊补互信息选择特征. 计算机研究与发展. 2023(05): 1111-1120 . 本站查看
3.	杨璇，马建敏，赵曼君. 基于邻域互信息的高维时序数据特征选择. 计算机工程. 2023(07): 135-142+149 . 百度学术
4.	马明艳，陈伟，吴礼发. 基于CNN＿BiLSTM网络的入侵检测方法. 计算机工程与应用. 2022(10): 116-124 . 百度学术
5.	孙林，梁娜，徐久成. 基于自适应邻域互信息与谱聚类的特征选择. 山东大学学报(理学版). 2022(12): 13-24 . 百度学术
6.	刘文，米据生，孙妍. 一种新的犹豫模糊粗糙近似算子的公理刻画. 计算机研究与发展. 2021(09): 2062-2070 . 本站查看
7.	王翔，谢胜军. 加权社会网络低维冗余数据快速挖掘算法仿真. 计算机仿真. 2021(08): 372-375+477 . 百度学术
8.	张敏，彭红伟，颜晓玲. 基于神经网络的模糊决策树改进算法. 计算机工程与应用. 2021(21): 174-179 . 百度学术
9.	张仕斌，黄曦，昌燕，闫丽丽，程稳. 大数据环境下量子机器学习的研究进展及发展趋势. 电子科技大学学报. 2021(06): 802-819 . 百度学术
10.	姚晟，陈菊，吴照玉. 一种基于邻域容差信息熵的组合度量方法. 小型微型计算机系统. 2020(01): 46-50 . 百度学术
11.	徐道磊，陈培林，唐轶轩，吴尚，路宇，卞显福. 一种新的决策粗糙集最小化决策代价属性约简算法. 微电子学与计算机. 2020(08): 55-60+65 . 百度学术
12.	姚晟，吴照玉，陈菊，王维. 基于决策理论粗糙集的一种新属性约简方法. 微电子学与计算机. 2019(05): 76-81 . 百度学术
13.	段海玲，王光琼. 一种高效的复杂信息系统增量式属性约简. 华南理工大学学报(自然科学版). 2019(06): 18-30 . 百度学术
14.	龚芝，陈志伟，马凌. 不完备信息系统中一种新的不确定性度量方法. 测控技术. 2018(11): 116-119+124 . 百度学术