协同标签系统中基于标签组合效应的推荐算法

协同标签系统中现有的用户建模方法将用户视为标签向量,并假设向量中的标签均是用户感兴趣的,且只能分别计算单个标签之间的匹配程度,忽略了多个标签作为一个整体对用户兴趣产生的影响.为此,文中提出了一种基于标签组合效应的推荐算法(TGER).该算法利用用户对资源的评分筛选出对用户兴趣有重要影响的标签组合,通过高维标签组合优先匹配的方法计算用户与资源之间的相关度.在MovieLens数据集上的实验结果显示,TGER算法能明显地提高推荐的质量.

基于用户标注行为的潜在好友推荐

目前多数社交网络主要根据已有好友关系推荐潜在好友,用户的兴趣爱好不作为主要考虑因素;此外,如何从大量数据中精确地提取用户的兴趣爱好是一项十分艰巨的任务。为此,提出一种在大量标注行为数据中精确挖掘出用户的兴趣爱好,并据此推荐具有相同兴趣爱好的潜在好友的算法——基于标注的好友推荐(FRBT)算法。首先使用词频-逆向文件频率(TF-IDF)对标签进行聚类,将语义相似的标签聚成话题;然后在话题的基础上提出一种新的相似度公式来计算用户相似度;再融合基于话题与基于物品的用户相似度,将相似度较高的用户作为潜在好友进行推荐。在Delicious数据集上以准确率和召回率为指标与item、tag和tri-graph三种算法进行比较,实验验证了该算法能够更准确地为用户推荐兴趣相似的好友。