社交网络中基于协同过滤的推荐算法研究

• 作 者: 宋郝开
• 出 处: 西安电子科技大学
• 发表日期: 2004年期
• 关键词: 推荐系统 社交网络 协同过滤 信任关系

社交网络的快速发展带来了严重的信息过载问题,用户要从大量的信息中找到所需的服务或产品变得十分困难。搜索引擎可以帮助用户过滤不需要的信息,但需要用户输入明确的查询且对所有用户返回相同的推荐结果。为了满足用户的个性化需求并实现主动推荐的策略,推荐系统诞生了。作为推荐系统中最早被提出的信息过滤技术,协同过滤因为不需要项目的领域知识、可以利用群体智慧等诸多优点而在电子商务领域得到了广泛的应用。但传统的协同过滤推荐算法只利用了稀疏的用户评分数据进行推荐,导致其推荐效果较差,尤其是冷启动用户难以得到符合其需求的推荐,这严重限制了的协同过滤的应用。为了缓解传统的协同过滤面临的数据稀疏性问题,本文利用社交网络中用户之间的信任关系,提出了两种新颖的基于协同过滤的推荐算法。本文的主要工作如下:针对传统的协同过滤算法存在的用户冷启动问题,提出了一种基于协同过滤的社会化推荐算法,利用用户信任值取代了用户相似度在最近邻居选取中的地位,从而解决了冷启动用户相似度计算不准确导致推荐效果较差的问题。该算法将信任好友的评分、项目声誉值和用户倾向评分进行加权计算来预测用户对项目的评分。最后,在两个真实数据集上进行的仿真对比实验表明,相比于其他对比算法,该算法可以为全部用户和冷启动用户提供更准确的推荐,从而证明本算法可以有效缓解数据稀疏性和用户冷启动问题。针对传统的协同过滤算法个性化推荐效果较差的问题,本文在社会化推荐算法的基础上进一步提出一种基于协同过滤的分类推荐算法,该算法在本质是包含基于信任的协同过滤、基于用户的协同过滤和基于项目的协同过滤的组合推荐算法。首先对传统的协同过滤算法中的相似度计算公式进行修正,从而得到了准确性较高的相似度计算公式。然后根据目标用户和目标项目的特性,从信任好友、相似用户、相似项目、项目声誉值、用户倾向评分中选择最适合的因素来预测用户对项目的评分。最后,对该算法进行仿真对比实验,结果表明相比于目前流行的基于矩阵分解的推荐算法和基于信任的推荐算法,该算法能提供更准确的推荐结果并能满足用户的个性化需求。