基于社会信任和隐式项目的协同过滤推荐算法的研究

摘要

为了解决协同过滤推荐算法固有的数据稀疏性和冷启动问题，增加社交网络虽然能提高推荐系统的性能，但是在许多真实的系统中社会关系未必对推荐性能有很好的效果，因此，通过增加隐式项目关系和社交网络关系来构建一种新颖的矩阵分解模型。首先，通过三种真实数据集的信任数据分析得出：在一个推荐模型中不仅要考虑评分的显式、隐式影响也要考虑信任的显式、隐式影响以及项目的隐式影响；然后，在SVD推荐算法的基础上融合信任用户的显示、隐式影响和项目的隐式影响；最后，使用随机梯度下降法生成用户的潜在特征和项目的潜在特征，以此为用户推荐感兴趣的项目。通过在三种真实数据集上的大量实验，实验结果验证表明提出的推荐模型与传统的推荐模型相比具有较好的预测效果，其性能明显优于传统的推荐模型。