科研之友
微信
新浪微博
Facebook
分享链接
摘要
为解决社会化推荐算法推荐效果严重依赖用户信任数据的问题，提出一种融合信任相似度的偏置概率矩阵分解算法(bias probability matrix factorization algorithm fused with trust similarity, TTSPMF)。该算法引入稀疏性更低的信任相似度网络，使用信任关系的相似性弥补用户信任数据的稀疏性。通过用户信任矩阵计算得出信任相似度矩阵，然后将信任相似度矩阵和用户信任矩阵共同进行矩阵分解，同时加入偏置项来表达用户和物品的偏好，从而更好地刻画用户和物品的特征，避免因用户或物品本身因素带来的评分偏差。使用概率矩阵分解模型融合信任矩阵和信任相似度矩阵并迭代求解，得到用户特征矩阵和物品特征矩阵。在多个数据集上的试验证明，在不同评价指标下，该算法的推荐准确度明显高于传统推荐算法，可以有效缓解数据稀疏带来的推荐效果差的问题。
