融合信任信息的欧氏嵌入推荐算法

作     者：徐玲玲 曲志坚 徐红博 曹小威 刘晓红 XU Lingling;QU Zhijian;XU Hongbo;CAO Xiaowei;LIU Xiaohong

作者机构：山东理工大学计算机科学与技术学院 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2019年第39卷第10期

页      面：2829-2833页

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(61473179) 山东省高等学校科技计划项目(J16LN20) 山东省自然科学基金资助项目(ZR2016FM18)~~ 

主　　题：社会化推荐 欧氏嵌入 协同过滤 矩阵分解 信任信息 

摘      要：为了改善推荐系统存在的稀疏性和冷启动问题,提出一种融合信任信息的欧氏嵌入推荐(TREE)算法。首先,利用欧氏嵌入模型将用户和项目嵌入到统一的低维空间中;其次,在用户相似度计算公式中引入项目参与度和用户共同评分因子以度量信任信息;最后,在欧氏嵌入模型中加入社交信任关系正则化项,利用不同偏好的信任用户约束用户的位置向量并生成推荐结果。实验将TREE算法与概率矩阵分解(PMF)、社会正则化(SoReg)模型、社交的矩阵分解(SocialMF)模型、社交信任集成模型(RSTE)四种算法进行对比,当维度为5和10时,在Filmtrust数据集上TREE算法的均方根误差(RMSE)比最优的RSTE算法分别降低了1.60%、5.03%,在Epinions数据集上TREE算法的RMSE比最优的社交矩阵分解模型(SocialMF)算法分别降低了1.12%、1.29%。实验结果表明,TREE算法能进一步缓解稀疏和冷启动问题,提高评分预测的准确性。