融合多权重因素的低秩概率矩阵分解推荐模型

作者：**; 田广强; 王福忠

来源：电子与信息学报, 2021, 1-14.

• 推荐算法
• 低秩概率矩阵分解
• 用户信任度
• 社会地位影响力
• 同质性
• 正则化约束

针对个性化推荐精度较低、对冷启动敏感等问题，该文提出一种融合多权重因素的低秩概率矩阵分解推荐模型。模型利用给定的社交网络构建信任网络，借助Page rank算法和信任传递机制求取用户间信任度；基于Page rank计算用户社会地位，利用活动评分和评分时间修正用户间关系权重；引入词频-逆文本频率技术（Term Frequency-Inverse Document Frequency, TF-IDF）求取用户标签，通过标签相似性表征用户间同质性；将用户间信任度、用户社会地位影响力和用户同质性3因素融入低秩概率矩阵分解中，从而使用户偏好和活动特征映射到同一低秩空间，实现用户-活动评分矩阵的分解，在正则化约束下，最终完成低秩特征矩阵对用户评分缺失的有效预测。利用豆瓣同城北京和Ciao数据集确定各模块的参数设置值。通过仿真对比实验可知，本推荐模型获得了较高的推荐精度，与其他五种传统推荐算法相比平均绝对误差至少降低了6.58%，均方差误差至少降低了6.27%，与深度学习推进算法相比，推荐精度基本接近；在冷启动用户推荐上优势明显，与其他推荐算法相比平均绝对误差至少降低了0.89%，均方差误差至少降低了3.01%。

• 单位
  河南理工大学; 自动化学院; 黄河交通学院