基于社交信息和物品曝光度的矩阵分解推荐

为了解决隐式反馈推荐中的数据稀疏性和未观测值二义性,提出基于社交信息和物品曝光度的概率矩阵分解推荐算法.该算法通过对用户-用户社交矩阵进行矩阵分解来约束用户偏好潜在因子,一定程度上缓解了数据稀疏性问题;将物品曝光度作为观测值的条件,结合物品本身的流行度和用户的社交信息,对物品曝光度进行建模,解决未观测值的二义性.在Lastfm公开数据集上开展多个层次的实验和分析.结果表明,与已有的隐式推荐算法相比,在召回率、平均准确率(MAP)和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.