融合信任用戶間接影響的個(gè)性化推薦算法

　　為了解決推薦系統(tǒng)中固有的數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題，通常會(huì)采用一些額外的與用戶或是項(xiàng)目有關(guān)的信息。提出了一種新穎的基于矩陣因子分解的推薦算法，其結(jié)合了其他用戶對(duì)于活動(dòng)用戶未來(lái)評(píng)分的間接影響作用，并進(jìn)一步將社交網(wǎng)絡(luò)中的信任關(guān)系融入到算法中。同時(shí)，為了避免學(xué)習(xí)參數(shù)時(shí)過(guò)度擬合，引入了一種加權(quán)的正規(guī)化因子。最后針對(duì)一般情況和冷啟動(dòng)情況，分別在Epinions數(shù)據(jù)集和Ciao數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，相比于其它相關(guān)算法，本算法在推薦準(zhǔn)確性上有了很大的提高，同時(shí)能更好地解決相關(guān)問(wèn)題。
?