融合重叠社区正则化及隐式反馈的协同过滤方法

• 作者: 李翔锟 贾彩燕
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 协同过滤 推荐系统 社交网络 网络嵌入 重叠社区
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 第八届中国数据挖掘会议(CCDM 2020)
• 页码范围: 53-59
• 页数: 7页
• 分类号: TP181
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020060995

摘要

针对目前推荐系统存在的数据稀疏和冷启动等问题,提出了一种融合重叠社区正则化及隐式反馈的协同过滤方法(OCRIF),该方法不仅考虑了用户在社交网络中的社区结构,而且将用户评分信息与社交信息的隐式反馈融入推荐模型之中.此外,由于网络表示学习可以有效学习节点在社交网络的全局结构上的近邻信息,提出了一种网络表示学习增强的OCRIF(OCRIF+),该方法结合社交网络中用户在网络中的低维表示与用户-商品特征,能更有效地刻画用户之间的相似度及用户对兴趣社区的归属度.多个真实数据集上的实验结果显示:所提出的方法的推荐效果优于同类方法,与TrustSVD方法相比,在FilmTrust、DouBan以及Ciao数据集上,该方法的均方根误差(RMSE)分别下降了2.74％、2.55％以及1.83％,平均绝对误差(MAE)分别下降了3.47％、2.97％以及2.40％.