Implicit Trust Based Context-Aware Matrix Factorization for Collaborative Filtering

Matrix factorization(MF) has been proved to be a very effective technique for collaborative filtering(CF),and hence has been widely adopted in today's recommender systems.Yet due to its lack of consideration of the users' and items' local structures,the recommendation accuracy is not fully satisfied.By taking the trusts among users' and between items' effect on rating information into consideration,trust-aware recommendation systems(TARS) made a relatively good performance.In this paper,a method of incorporating trust into MF was proposed by building user-based and item-based implicit trust network under different contexts and implementing two implicit trust-based context-aware MF(ITMF)models.Experimental results proved the effectiveness of the methods.

融合隐含信任度和项目关联度的矩阵分解推荐算法

随着社交网络的发展,融合社交信息的推荐系统在一定程度上解决了协同过滤推荐系统的冷启动和数据稀疏等问题,但是在信任数据稀疏情况下,仍会造成推荐精度降低等问题。为此,提出了一种融合隐含信任度和项目关联度的矩阵分解推荐算法。首先,利用矩阵分解模型将信任数据进行分解,得到用户的潜在被信任矩阵,在此基础上引入用户的影响力,从而提出了基于隐含信任度的推荐模型;然后,为了更好地利用项目间的关联信息,反映项目间的有向性,提出了基于项目关联度的推荐模型;最后,综合两种推荐模型并构建了一种推荐算法TCRMF。实验结果表明,所提算法在评分数据和信任数据稀疏的情况下仍然可以有效地提高推荐算法的精度,具有良好的应用前景。

移动社交网络中微博集群隐社交行为获取研究

当前信任推理机制在建立移动社交网络用户之间的联系中起着关键的作用。本文描述了一个由用户的联系形成的隐社交行为图构建算法。通过对用户的联系关系进行评分排名,从而形成一个动态联系等级,帮助用户评估移动社交网络环境中的用户之间的信任值。通过联系、互动演变和用户属性的水平来计算基于分组的信任值,再通过基于不同分组的信任值的聚合来获得一个集群信任值,探讨了一个全范围的移动社交网络集群信任值的传递。证明了在移动社交网络的微博信息分享系统中的基于分组行为关系的有效性。