一种融合用户偏好与信任度的增强协同过滤推荐方法

协同过滤是一种最流行的推荐技术,但仍然受到数据稀疏和冷启动问题的困扰。针对Shambour提出的信任—语义融合(TSF)的混合推荐方法中计算量较大的问题,提出一种融合用户偏好与信任度的增强协同过滤推荐方法。该方法在计算评分预测时,对基于用户的信任增强协同过滤算法进行改进,先将用户相似度和信任度分别进行近邻选择和加权评分,再通过一个加权因子对2部分进行融合,从而得到总体的预测评分。在Movielens数据集下进行仿真验证,其结果表明,与基准算法相比,本文方法具有更好的MAE性能。

基于社会网络小世界性改进的信任感知推荐系统

信任感知推荐系统(TARS)是利用用户间的信任来解决推荐系统中的数据稀疏性,冷启动用户和冷启动项目问题。随着互联网上出现越来越多的现实社会关系,用户间的信任关系变得越来越复杂,因此信任值的计算也越来越困难。提出基于社会网络的小世界性的信任感知推荐系统(i TARS),利用最优信任传播距离来改进信任值计算方法。在Movie Lens数据集上的实验结果表明,该方法在推荐准确度和召回率上有显著提高,特别对越稀疏的数据效果更好。