科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来，社会化推荐作为推荐算法之一被广泛应用于各大平台。由于引入了用户的社交信息，社会化推荐可以较好地缓解数据稀疏问题。然而，大部分社会化推荐难以高效地从原始信息中提取用户的有效信息，导致引入社会信息的同时也会引入大量噪声。为了解决上述问题，本文提出了SRBHL （Social Recommendation Based on Hypergraph Embedding and Limited Attention）模型，通过超图嵌入模块提取用户的历史行为信息和社交信息，以缓解原始目标用户数据稀疏问题，并结合有限注意力模块来过滤原始信息的噪声，最后将得到的有效好友信息用于推荐。在Yelp-Urbana、Yelp-Phoenix和Epinions三个真实数据集上的实验结果表明SRBHL模型相比其他的推荐算法表现更出色。此外，本文还对SRBHL模型进行了鲁棒性分析，并给出了模型最优参数的取值范围。
- 单位
