基于信任关系下用户兴趣偏好的协同过滤推荐算法

doi:10.11896/jsjkx.200700113

摘要/摘要

摘要：随着信息的海量增长,推荐系统有效缓解了信息爆炸带来的问题,其中协同过滤作为主流技术之一受到了广泛的关注。针对用户的兴趣偏好研究主要是基于商品标签的有监督数据集进行研究,忽略了无监督数据集,同时,在计算用户的兴趣偏好过程中也未能考虑到信任用户对用户兴趣的影响。为此,文中首先在无监督的项目数据集上采用矩阵分解模型得到项目的潜在特征向量,据此对项目进行聚类以表示项目的类别信息;然后,结合用户的信任关系和用户-项目评分矩阵构造用户的兴趣偏好矩阵;最后,为提高推荐效率,在用户的兴趣偏好矩阵上对用户进行聚类,在每个聚类簇内计算用户之间的相似度,从而实现推荐。在公开数据集上的实验结果表明,该算法能有效改善推荐结果的精确性,提升推荐质量。

关键词: 矩阵分解, 聚类, 偏好矩阵, 相似度, 协同过滤推荐, 信任关系

摘要：随着信息的大量增加，推荐系统有效地缓解了信息爆炸带来的问题。协同过滤作为推荐系统的主流技术之一，受到了广泛关注。在用户兴趣偏好研究中，主要研究基于商品标签的有监督数据集，而忽略了无监督数据集。同时，在计算用户兴趣偏好的过程中，没有考虑可信用户对用户兴趣的影响。为了解决这些问题，本文提出了一种基于信任关系下用户偏好的协同过滤推荐算法。首先，使用矩阵分解（MF）模型获得项目的潜在特征信息，然后进行聚类以获得项目类型信息。其次，考虑用户信任关系和用户项目评分信息，构建用户偏好矩阵。最后，基于用户偏好矩阵对用户进行聚类，然后计算同一聚类中用户之间的相似度，以实现推荐。在开放数据集上的实验结果表明，该算法可以有效地提高推荐结果的准确性和推荐质量。

关键词： 集群，协同过滤推荐，矩阵分解，偏好矩阵，相似性，信任关系

中图分类号:

TP181型

邵超, 宋淑米.基于信任关系下用户兴趣偏好的协同过滤推荐算法[J] ●●●●。计算机科学, 2021年，48（6A）：240-245。https://doi.org/10.11896/jsjkx.200700113

邵超、宋淑美。信任关系下基于用户偏好的协同过滤推荐算法[J] ●●●●。计算机科学，2021，48（6A）：240-245。https://doi.org/10.11896/jsjkx.200700113

参考文献

[1] PAZZANI M J.协作、基于内容和人口统计过滤框架[J]。《人工智能评论》，1999,13（5／6）：393-408。
[2] 梅曼德普尔R，DAVIS J G.链接数据的语义相似性度量：基于信息内容的方法[J]。基于知识的系统，2016109（10月1日）：276-293。
[3] 戈德伯格D，尼科尔斯D，奥基B M，等.利用协同过滤编织信息挂毯[J]。ACM通讯，1992,35（12）：61-70。
[4] RESNICK P.GroupLens：一种用于Netnews[C]//Proc协同过滤的开放式架构。参见1994年。
[5] SARWAR B.Item-Based Collaborative Filtering Recommendation Algorithms[C]//第十届国际万维网大会（WWW10）。香港，2001年。
[6] PAN W，CHEN L.GBPR：基于群体偏好的一类协同过滤贝叶斯个性化排名[C]//第二十三届国际人工智能联合会议。2013:2691-2697。
[7] ERICSON K，PALLICKARA S.关于高维数据聚类和分类算法的性能[J]。未来一代计算机系统，2013,29（4）：1024-1034。
[8] KOREN Y，BELL R，VOLINSKY C.推荐系统的矩阵分解技术[J]。IEEE计算机杂志，2009,42（8）：30-37。
[9] VUCETIC S，OBRADOVIC Z.基于回归方法的协同过滤[J]。知识与信息系统，2005,7（1）：1-22。
[10] LI X.离散时间折扣Markov决策过程的均值优化[J]。自动化，2018，88:76-82。
[11] 黄小英，龙小英，谢静.结合用户兴趣聚类的协同过滤推荐算法[J]。计算机应用研究，2019，36（9）：2609-26122617。
[12] ZHU D J，LI J Z，TAN D Y.基于标签聚类和兴趣分割的协同过滤推荐算法[J]。计算机工程，2017,43（11）：146-151160。
[13] 何梅，孙伟，肖瑞，等.结合聚类和用户偏好的协同过滤推荐算法[J]。计算机科学，2017,44（S2）：391-396。
[14] 王强，王建宏.结合信任机制和用户偏好的协同过滤推荐算法[J]。计算机工程与应用，2015,51（10）：261-265270。
[15] 王明，马杰。一种基于用户加权信任关系和评分相似度的新型推荐方法[J]。软计算，2015,20（10）。
[16] 王佳丽。基于信任关系和偏好的推荐算法研究[D]。西安：西安电子科技大学，2018年。
[17] 彭伟，辛B.SPMF:一种基于社会信任和偏好分割的矩阵分解推荐算法[J]。Eurasip无线通信与网络杂志，2019:272-284。
[18] PENG P.基于用户信任和兴趣的协同过滤推荐算法研究[D]。南京：南京航空航天大学，2018年。
[19] 周志浩，唐伟.集群集成[J]。基于知识的系统，2006,19（1）：77-83。
[20] CUI C S.基于综合秩的推荐系统输出[J]。系统工程理论与实践，2013,33（7）：1845-1851。
[21]胡晓平，尹J.信任转移模型综述[J]。东南大学学报，2013,15（4）：46-51,57135。

相关文章15

[1]	鲁晨阳, 邓苏, 马武彬, 吴亚辉, 周浩浩. 基于分层抽样优化的面向异构客户端的联邦学习基于分层抽样优化的异构客户联合学习计算机科学, 2022, 49(9): 183-193.https://doi.org/10.11896/jsjkx.220500263
[2]	吴子仪, 李邵梅, 姜梦函, 张建朋. 基于自注意力模型的本体对齐方法基于自注意的本体对齐方法计算机科学, 2022, 49(9): 215-220.https://doi.org/10.11896/jsjkx.210700190
[3]	柴慧敏, 张勇, 方敏. 基于特征相似度聚类的空中目标分群方法基于特征相似聚类的空中目标分组方法计算机科学, 2022, 49(9): 70-75.https://doi.org/10.11896/jsjkx.210800203
[4]	李斌, 万源. 基于相似度矩阵学习和矩阵校正的无监督多视角特征选择基于相似矩阵学习和矩阵对齐的无监督多视图特征选择计算机科学, 2022, 49(8): 86-96.https://doi.org/10.11896/jsjkx.210700124
[5]	曾志贤, 曹建军, 翁年凤, 蒋国权, 徐滨. 基于注意力机制的细粒度语义关联视频-文本跨模态实体分辨基于注意机制的细粒度语义关联视频文本跨模式实体解析计算机科学, 2022, 49(7): 106-112.https://doi.org/10.11896/jsjkx.210500224
[6]	鲁晨阳, 邓苏, 马武彬, 吴亚辉, 周浩浩. 基于DBSCAN公司聚类的集群联邦学习方法基于DBSCAN聚类的聚类联合学习方法计算机科学, 2022年，49（6A）：232-237。https://doi.org/10.11896/jsjkx.211100059
[7]	郁舒昊, 周辉, 叶春杨, 王太正. SDFA：基于多特征融合的船舶轨迹聚类方法研究 SDFA：基于多特征融合的船舶航迹聚类方法研究计算机科学, 2022年，49（6A）：256-260。https://doi.org/10.11896/jsjkx.211100253
[8]	王毅, 李政浩, 陈星. 基于用户场景的安卓应用服务推荐方法通过用户场景推荐Android应用程序服务计算机科学, 2022年，49（6A）：267-271。https://doi.org/10.11896/jsjkx.210700123
[9]	何亦琛, 毛宜军, 谢贤芬, 古万荣. 基于点割集图分割的矩阵变换与分解的推荐算法基于顶点分隔图划分的矩阵变换与因子分解推荐计算机科学, 2022年，49（6A）：272-279。https://doi.org/10.11896/jsjkx.210600159
[10]	毛森林, 夏镇, 耿新宇, 陈剑辉, 蒋宏霞. 基于密度敏感距离和模糊划分的改进FCM公司基于密度敏感距离和模糊划分的FCM算法计算机科学, 2022年，49（6A）：285-290。https://doi.org/10.11896/jsjkx.210700042
[11]	陈景年. 一种适于多分类问题的支持向量机加速方法支持向量机在多类分类中的加速计算机科学, 2022年，49（6A）：297-300。https://doi.org/10.11896/jsjkx.210400149
[12]	刘丽, 李仁发. 医疗CPS公司协作网络控制策略优化医疗CPS协作网络控制策略优化计算机科学, 2022年，49（6A）：39-43。https://doi.org/10.11896/jsjkx.210300230
[13]	黄少滨, 孙雪薇, 李熔盛. 基于跨句上下文信息的神经网络关系分类方法基于跨内容上下文信息的神经网络关系分类方法计算机科学, 2022年，49（6A）：119-124。https://doi.org/10.11896/jsjkx.210600150
[14]	陈佳舟, 赵熠波, 徐阳辉, 马骥, 金灵枫, 秦绪佳. 三维城市场景中的小物体检测三维城市场景中的小目标检测计算机科学, 2022, 49(6): 238-244.https://doi.org/10.11896/jsjkx.210400174
[15]	成科扬, 王宁, 崔宏纲, 詹永照. 基于局部注意力图互迁移的可解释性优化方法基于局部注意图相互传递的可解释性优化方法计算机科学, 2022, 49(5): 64-70.https://doi.org/10.11896/jsjkx.210400176

韵律学

已查看

全文

摘要

引用

共享

讨论