基于实体内部关系的协同过滤推荐算法研究

• 作 者: 郭弘毅
• 出 处: 上海交通大学
• 发表日期: 2004年期
• 关键词: 推荐算法 重叠社区 模糊聚类 矩阵分解 协同过滤

推荐系统作为个性化信息服务和决策支持领域的关键分支,由于其广泛的应用场景和极大的商业价值,近年来一直是学术界和工业界的研究热点之一。推荐系统的关键是推荐算法。其中协同过滤推荐算法是一种具有相对良好的推荐效果并且得到广泛应用的推荐算法。本文在研究了传统的协同过滤推荐算法以及加入用户社交关系的社交化推荐算法的基础上,提出了一种基于实体内部关系融合建模的协同过滤推荐算法。首先,利用重叠社区发现算法挖掘用户社交网络中存在的社区结构,得到基于网络结构的用户集合。其次,根据项目类别信息和用户行为记录,设计基于类别的用户偏好向量,利用模糊聚类算法得到基于兴趣偏好相似度的用户集合,分别量化目标用户对其所属的两类不同用户集合的感兴趣程度。然后根据用户的评分记录以及项目类别信息衡量项目间的综合相似度。最后将得到的实体间关联信息作为影响因子添加到矩阵分解模型的优化分解过程中,得到实体内部关系融合建模的协同过滤推荐算法,并在真实数据集上设计合理的实验。实验结果表明,相较于传统的协同过滤推荐算法和社交化推荐算法,本文提出的协同过滤推荐算法能够有效提高推荐结果的准确率并且能够有效缓解冷启动用户带来的准确率下降问题。