基于消极相似性的自适应社会化推荐

社会化推荐旨在融合社会关系改善传统推荐算法的推荐效果。当前基于网络嵌入(NE)的社会化推荐算法面临两个问题:一是在构建网络时未考虑对象间的不一致性,并且倾向于利用获取难度大、约束条件多的积极对象来约束算法;二是这些算法未能依据评分数量消除算法训练中的过拟合。因此,提出一种基于消极相似性的自适应社会化推荐(ASRNS)算法。首先通过一致性分析构建具有正向相关性的同构网络;接着联合加权随机游走与Skip-Gram算法得到嵌入向量;然后计算相似度,并从消极相似性的角度来约束矩阵分解(MF)算法;最后基于自适应机制将评分数量映射到理想评分数量区间,并对算法偏置项施加不同的惩罚。在FilmTrust和CiaoDVD数据集上实验结果表明,与协同用户网络嵌入(CUNE)算法、一致性邻居聚合的推荐(ConsisRec)算法等算法相比,ASRNS的均方根误差(RMSE)分别至少降低了2.60%和5.53%,平均绝对误差(MAE)分别至少降低了1.47%和2.46%。可见,ASRNS不仅可以有效降低评分预测误差,还能显著改善算法训练过程中的过拟合问题,对不同评分数量的对象都具有较好的健壮性。

融合信任隐含相似度与评分相似度的社会化推荐

针对现有的社会化推荐算法大都忽略了物品间的关联关系对推荐精度的影响,并且未能将用户评分与信任数据进行有效结合的问题,提出一种融合信任隐含相似度与评分相似度的社会化推荐算法(SocialTS)。首先,将用户间的评分相似度与信任隐含相似度进行线性组合以得到用户间可靠的相似朋友;然后,将信任关系融入到项目的相关性分析中,从而得到修正后的相似项目;最后,将相似用户、项目作为正则项添加到矩阵分解(MF)模型下,从而获取用户、项目更准确的特征表示。实验结果表明,当潜在特征维度为10时,与主流的社会化推荐算法TrustSVD相比,SocialTS在FilmTrust和CiaoDVD数据集上的均方根误差(RMSE)分别降低了4.23%和8.38%,平均绝对误差(MAE)分别降低了4.66%和6.88%。SocialTS不仅可以有效改善用户冷启动问题,还能较为准确地预测不同评分数量下用户的实际评分,且具有良好的鲁棒性。