融合奇异值分解和动态转移链的学术资源推荐模型(英文)

学术资源推荐领域学习者兴趣和学术趋势随时间的变化影响学术资源推荐系统的准确性.现有大部分推荐方法都没有考虑时间因素.本文用动态转移链(DTC)对用户兴趣和学术趋势的时效性进行建模.在DTC框架的基础上,提出一种新的融合矩阵奇异值分解模型(SVD)和动态转移链的学术资源推荐算法(SVD&DTC).在数据集SeekSearch上对该方法进行实验,结果表明该算法较之当前流行的主要算法准确率提升3.89%.