论文部分内容阅读
本文提出一种经由定制关系网络，改进基于矩阵分解的社会化推荐模型来缓解数据稀疏性和冷启动问题并进一步改善可扩展性(scalability)问题。在模型中，关系网络的社会影响力被建模为矩阵分解模型的用户-物品(user-item)评分倾向，而同质性则被建模为动态正则项。为了获得更好的预测精度和可扩展性，本文设计了一个新颖的关系网络boosting-shrinking算法，在该算法中，基于用户在数据集中的数据密度，自适应地裁减每个用户的关系网络为其定制个性化的关系网络。在稀疏水平不同的数据集上的实验表明：相对于所比较的其他的基于矩阵分解的社会化推荐方法，提出的方法可以显著提高稀疏数据集的预测精度，有效地缓解冷启动问题，并获得较好的可扩展性。