论文部分内容阅读
伴随着社交网络的飞速发展,社交推荐算法得到越来越多的关注和研究,这些算法都是基于一个共同的假设,即具有社交关系特别是信任关系的用户之间具有相似的兴趣爱好。但是,以往的基于信任的社交推荐算法并没有全面的考虑社交信任关系对推荐的影响,因而在一定程度上影响了推荐的质量。 本文首先对传统的协同过滤算法和基于信任的社交推荐算法做了深入的研究,在此基础上提出了一种基于个体化信任关系的社交推荐模型SRIT(SocialRecommendationbasedonIndividualTrust)。该模型在训练阶段对用户-物品评分矩阵进行矩阵因式分解得到用户的潜在特征向量,并且在矩阵因式分解过程中个体化地考虑了用户每一个信任好友的潜在特征向量对用户的潜在特征向量的影响,即影响程度随着用户对好友信任度的变化而变化,最终在预测用户对物品的评分阶段,不仅要考虑用户自身的偏好,还要考虑用户所有信任好友的偏好。本文在公开的Epinions数据集上进行实验分析,结果表明在稀疏性很强的Epinions数据集上,本文中提出SRIT算法的推荐质量相对于传统的协同过滤算法和基于信任的社交推荐算法有了明显的提升。