-
题名结合非负矩阵分解的主题社区好友推荐算法
被引量：2
- 1
-
-
作者
杨丰瑞
郑云俊
张昌
-
机构
重庆邮电大学通信新技术应用研究中心
重庆重邮信科(集团)股份有限公司
-
出处
《计算机应用研究》
CSCD
北大核心
2018年第12期3624-3627,共4页
-
文摘
好友推荐可以帮助用户发现他们感兴趣的好友,减轻信息过载的现象。然而,目前现有的推荐方法仅考虑用户链接或内容信息,其推荐精度不高,不足以提供高质量的服务。考虑了用户之间的链接和内容信息,提出了一种结合非负矩阵因式分解的主题社区好友推荐算法(T-NMF)。该算法给出了主题社区和综合相似度计算方法,产生好友推荐列表。实验表明,该算法可以更好地反映用户的偏好,并且具有比传统方法更好的推荐性能。
-
关键词
社交网络
非负矩阵因式分解
主题社区
好友推荐
-
Keywords
social network
nonnegative matrix factorization
topic community
friend recommendation
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于约束图正则的块稀疏对称非负矩阵分解
被引量：2
- 2
-
-
作者
刘威
邓秀勤
刘冬冬
刘玉兰
-
机构
广东工业大学数学与统计学院
-
出处
《计算机科学》
CSCD
北大核心
2023年第7期89-97,共9页
-
基金
国家自然科学基金(12101136)
广东省研究生教育创新计划项目(2021SFKC030)
+2 种基金
广州市科技基金(202102020273)
广东省区域联合基金(2020A1515110967)
重庆师范大学数学学科省部级重点实验室开放课题(CSSXKFKTQ202002)。
-
文摘
现有的基于对称非负矩阵因式分解(Symmetric Nonnegative matrix Factorization, SymNMF)算法大都仅依赖初始数据构造亲和矩阵,并且一定程度上忽视了样本有限的成对约束信息,无法有效区分不同类别的相似样本以及学习样本的几何特征。针对以上问题,提出了基于约束图正则的块稀疏对称非负矩阵分解(Block Sparse Symmetric Nonnegative Matrix Factorization Based on Constrained Graph Regularization, CGBS-SymNMF)。首先,通过先验信息构造约束图矩阵,用于指导类别指示矩阵区分高相似度的不同类别样本;然后,引入PCP-SDP(Pairwise Constraint Propagation by Semi-definite Programming)方法,利用成对约束学习一个新的样本图映射矩阵;最后,利用“勿连”约束构造不相似矩阵,用于引导一个块稀疏正则项,以增强模型抗噪能力。实验结果表明,所提算法具有更高的聚类精确度和稳定性。
-
关键词
对称非负矩阵因式分解
亲和矩阵
成对约束
图正则
块稀疏
-
Keywords
Symmetric nonnegative matrix factorization
Affinity matric
Pairwise constraint
Graph regularization
Block sparse
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
