结合物品相似性的社交信任推荐算法

随着互联网的快速发展,用户很难在大量的网络数据中找到自己感兴趣的内容,而推荐系统能帮助解决这一问题。传统的推荐系统仅依赖用户历史行为数据进行推荐,存在数据稀疏和冷启动的问题。将社交网络信息融入推荐系统中被证明能够有效地解决传统推荐系统的问题,提高了推荐质量。但是,大部分基于社交网络的推荐仅关注用户之间的单向信任关系,忽略了被信任关系和物品自身因素对推荐结果的影响,因此提出了结合物品相似性的社交信任推荐算法SocialIS。SocialIS算法考虑了用户作为信任者和被信任者时邻居用户对用户的影响,并采用Node2vec算法训练得到包含用户偏好的物品相似性向量,再使用图神经网络学习用户和物品的特征向量进行评分预测。在Epinions和Ciao数据集上进行了大量实验,采用基于误差的指标(MAE和RMSE)对所提算法的性能进行度量,并与其他算法进行对比,验证了所提算法的性能。实验结果表明,与其他算法相比,所提算法的评分预测误差更小,推荐效果更好。