基于用户信任和张量分解的社会网络推荐

被引：36

作者：

邹本友 ^{[1
,2
]}

李翠平 ^{[1
,2
]}

谭力文 ^{[1
,2
]}

陈红 ^{[1
,2
]}

王绍卿 ^{[1
,2
,3
]}

机构：

[1] 数据工程与知识工程教育部重点实验室

[2] 中国人民大学信息学院

[3] 山东理工大学计算机学院

来源：

软件学报 | 2014年 / 25卷 / 12期

关键词：

推荐系统; 社会网络; 信任; 张量分解; 增量更新;

D O I：

10.13328/j.cnki.jos.004725

中图分类号：

TP391.3 [检索机];

学科分类号：

081203 ; 0835 ;

摘要：

社会化网络中的推荐系统可以在浩瀚的数据海洋中给用户推荐相关的信息.社会网络中用户之间的信任关系已经被用于推荐算法中,但是目前的基于信任的推荐算法都是单一的信任模型.提出了一种基于主题的张量分解的用户信任推荐算法,用来挖掘用户在不同的物品选取的时候对不同朋友的信任程度.由于社交网络更新速度快,鉴于目前的基于信任算法大都是静态算法,提出了一种增量更新的张量分解算法用于用户信任的推荐算法.实验结果表明:所提出的基于主题的用户信任推荐算法比现有算法具有更好的准确性,并且增量更新的推荐算法可以大幅度提高推荐算法在训练数据增加后的模型训练效率,适合更新速度快的社会化网络中的推荐任务.

引用

页码：2852 / 2864

页数：13

共 4 条

[1] 上下文感知推荐系统 [J].