-
题名融合多权重因素的低秩概率矩阵分解推荐模型
被引量：4
- 1
-
-
作者
王丹
田广强
王福忠
-
机构
黄河交通学院智能工程学院
河南理工大学电气工程与自动化学院
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2022年第2期552-565,共14页
-
基金
国家重大专项子课题(22016YFC0600906)
2019年度河南省高等学校青年骨干教师培养计划(2019286)
+2 种基金
河南省教育科学“十三五”规划(2020YB0404)
焦作市工程技术中心科研项目(201834)
黄河交通学院计算机科学与技术重点学科项目(201902)。
-
文摘
针对个性化推荐精度较低、对冷启动敏感等问题,该文提出一种融合多权重因素的低秩概率矩阵分解推荐模型MWFPMF。模型利用给定的社交网络构建信任网络,借助Page rank算法和信任传递机制求取用户间信任度;基于Page rank计算用户社会地位,利用活动评分和评分时间修正用户间关系权重;引入词频-逆文本频率技术(TF-IDF)求取用户标签,通过标签相似性表征用户间同质性;将用户间信任度、用户社会地位影响力和用户同质性3因素融入低秩概率矩阵分解中,从而使用户偏好和活动特征映射到同一低秩空间,实现用户-活动评分矩阵的分解,在正则化约束下,最终完成低秩特征矩阵对用户评分缺失的有效预测。利用豆瓣同城北京和Ciao数据集确定各模块的参数设置值。通过仿真对比实验可知,本推荐模型获得了较高的推荐精度,与其他5种传统推荐算法相比,平均绝对误差至少降低了6.58%,均方差误差至少降低了6.27%,与深度学习推进算法相比,推荐精度基本接近;在冷启动用户推荐上优势明显,与其他推荐算法相比,平均绝对误差至少降低了0.89%,均方差误差至少降低了3.01%。
-
关键词
推荐算法
低秩概率矩阵分解
用户信任度
社会地位影响力
同质性
正则化约束
-
Keywords
Recommendation algorithm
Probabilistic matrix factorization
User trust
Social status influence
Homogeneity
Regularization constraints
-
分类号
TN911.7
[电子电信—通信与信息系统]
TP391
[自动化与计算机技术—计算机应用技术]
-
