推荐系统可以有效解决信息过载问题,为用户提供个性化的推荐服务。然而在评分矩阵稀疏的情况下,仅通过分析用户项目评分矩阵来生成预测结果的传统模型效果较差。针对该问题,利用用户评分以及用户社会信任关系两部分信息计算用户相似度,提出一种融合社交关系的矩阵分解型推荐模型 Soreglm。通过挖掘社交网络中用户的拓扑关系,利用目标用户的直接邻居与间接邻居信息构建加权社会信任网络,在充分使用用户社交关系信息的同时减少冗余的社交噪声。基于公开数据集的实验结果表明,与 Soreg、 Sociall等7种经典模型相比Foregin能够有效提高推荐准确性,且对于稀疏数据的提升效果明显。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !