论文笔记：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust

最新推荐文章于 2023-03-28 15:37:06 发布
最新推荐文章于 2023-03-28 15:37:06 发布
阅读量3.6k 收藏 3
点赞数 2
分类专栏： baseline1 推荐系统会议论文 文章标签： 矩阵分解 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35771020/article/details/88422815
版权

一、基本信息

论文题目：《TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings》

发表时间：AAAI 2015

论文作者及单位：

论文地址：https://aaai.org/ocs/index.php/AAAI/AAAI15/paper/view/9313

 

二、摘要

        协同过滤存在数据稀疏和冷启动等问题，极大地降低了推荐性能。为了解决这些问题，我们提出了一种基于信任的矩阵分解技术trustsvd。通过对四个现实数据集的社会信任数据的分析，我们得出结论：在推荐模型中，不仅要考虑评级和信任的显性影响，还要考虑其隐性影响。因此，我们建立在最先进的推荐算法SVD++的基础上，通过进一步整合受信任用户对活动用户项目预测的显式和隐式影响，该算法固有地涉及评级项目的显式和隐式影响。据我们所知，本文的工作是第一个用社会信任信息扩展SVD++的工作。对四组数据的实验结果表明，我们的方法trustsvd比其他十组数据具有更好的精度，能够更好地处理相关问题。

 

三、主要内容与工作

1、在本文中，我们提出了一种新的基于信任的推荐模型trustsvd。我们的方法

最低0.47元/天 解锁文章
塘朗老实人
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
TrustSVD算法进行基于矩阵分解的商品推荐 代码+数据（可作为毕设）
11-25 552
TrustSVD算法进行基于矩阵分解的商品推荐 代码+数据（可作为毕设）
LibRec使用重现trustsvd和`Exception in thread"main"net.librec.common.LibrecException:Loss=NaN or Infinity
Gunther的博客
04-19 1297
1.首先 下载 2.下载后解压。 3.在windows下演示，linux同理。 4.直接先进入cmd,切换到解压的目录bin下如图： 5.测试运行一个简单的推荐算法：Global Averagelibrec rec -exec -D rec.recommender.class=globalaverage从图上可知，LibRec自动（从类路径classpath中）加载了 librec.pro
Collaborative Filtering 协同过滤小结 part-2：SVD
yujianmin1990的专栏
04-23 1366
接下来介绍下SVD 基于SVD方法的CF 　　SVD-CF是应用最广也最成功的协同过滤方法，现在对SVD介绍下。
HellTrustSVD
serenysdfg的博客
04-23 485
现在，大多推荐模型为了解决冷启动和稀疏问题引入社交网络中的信任关系。然而对于没有社交网络数据的场景挑战很大。社交数据的噪声和联系太弱也对结果有影响。作者提出一种既利用了显式数据和隐式数据的模型，可以在没有trust数据的情况下，从rating数据中提取社交关系，并且RMSE和MSE还可以和普通的社交推荐一样好。 大多数现有模型使用显式数据，忽视了隐式数据，其主要创新点主要在从评分矩阵中挖掘...
SVD-被引用最多的论文
08-25
关于SVD算法的论文，发表于1970年，题目：Singular Value Decomposition and Least Squares Solutions
Improve the algorithmic performance of collaborative filtering by using the interevent time distribution of human behaviors
02-11
Improve the algorithmic performance of collaborative filtering by using the interevent time distribution of human behaviors
MSGD: A Novel Matrix Factorization Approach for Large-Scale Collaborative Filtering Recommender Systems on GPUs
02-07
Matrix factorization (MF),.as one of the most accurate and scalable techniques to predict missing ratings, has become popular in the collaborative filtering (CF).community. Currently, stochastic ...
论文研究-Applying Collaborative Filtering Techniques for Individual Fashion ecommendation.pdf
08-16
基于协同技术的服装个性化推荐系统研究，雷建兰，王进，协同过滤（CF）技术是推荐系统中最成功的方法。在本文中，我们使用CF技术开发了一个服装个性化推荐系统。为了改善CF技术中矩阵的稀
Blockchain technology in the Internet Plus: The collaborative development of power electronic devices
02-22
Blockchain technology is a kind of distributed database network, which provides the P2P (Peer-to-Peer) digital currency transaction mode through the encryption algorithm and the decentralized ...
论文研究-A New Hybrid User Similarity Model for Collaborative Filtering Algorithms.pdf
08-23
一种新的基于混合相似度的协同过滤推荐算法，付彬，胡湘，协同过滤算法是目前应用最为广泛的个性化推荐方法之一。它的基本假设是，具有相似行为的用户倾向于共享相似的偏好并做出相同的选
SVD++三篇相关论文
12-23
阅读这些论文，可以有效帮助理解SVD++，实现SVD++程序
论文研究-基于信任和矩阵分解的协同过滤推荐算法.pdf
09-12
针对传统协同过滤算法普遍存在的稀疏性和冷启动问题，提出一种基于信任和矩阵分解的协同过滤推荐算法。提出一种基于用户评分值的隐式信任计算方法，该方法综合考虑用户的相似性和交互经验，运用信任传播方法使不存在直接信任的用户获得间接信任；通过动态因子将显式信任和隐式信任融入到SVD 算法当中。FilmTrust数据集下的实验表明，与其他矩阵分解推荐算法相比，该方法具有更好的预测效果，在冷启动用户的评分预测上也有很好的表现。
论文笔记4：两篇利用SVD去噪论文
Hermite Lee的博客
07-22 3631
论文笔记4：两篇利用SVD去噪论文
论文阅读笔记-SVD-CNN: A Convolutional Neural Network Model with Orthogonal Constraints Based on SVD
qq_40801569的博客
11-06 425
论文题目：SVD-CNN: A Convolutional Neural Network Model with Orthogonal Constraints Based on SVD for Context-Aware Citation Recommendation 论文链接：SVD-CNN: A Convolutional Neural Network Model with Orthogonal Constraints Based on SVD for Context-Aware Citation Re
【论文实现】以SVD的分解形式进行深度神经网络的训练（PyTorch）
热门推荐
一只热爱奔跑的程序猿
05-30 1万+
年轻人少熬夜
[论文笔记] 2015-AAAI-TrustSVD
weixin_46448399的博客
03-28 326
论文题目：TrustSVD: Collaborative Filtering with Both the Explicit and Implicit Influence of User Trust and of Item Ratings协同过滤存在数据稀疏性和冷启动等问题，极大地降低了推荐性能。为了帮助解决这些问题，提出TrustSVD，一种基于信任的矩阵分解技术。通过分析来自四个真实数据集的社会信任数据，得出结论，在推荐模型中，应该考虑评分和信任的显式影响和隐式影响。
基于SVD++隐语义模型的信任网络推荐算法
weixin_45585364的博客
09-01 715
点击上方蓝字关注我们基于SVD++隐语义模型的信任网络推荐算法陈佩武1,束方兴21平安科技（深圳）有限公司，广东 深圳 5180312北京大学互联网研究院（深圳），广东 深圳 518...
推荐系统论文集合（一）：矩阵分解家族
欢迎来到小丁的技术空间
03-08 1476
下面根据矩阵分解的发展路线，列出相关文献（会持续进行更新）： SVD 奇异值分解，主要作用是降维，适用于图像压缩，还有推荐系统。 NMF (1999) Lee et al. Learning the parts of objects by non-negative matrix factorization. Nature 401.6755 (1999): 788. paper FunkSVD ...
推荐系统领域相关知识总结
计算机、AI技术分享
09-13 2757
研究推荐系统这个方向有一段时间了，现讲这个方向的科研大牛与顶会信息总结如下。 推荐系统一般属于数据分析与挖掘、信息检索的一个应用子领域。 信息检索( Information Retrieval )指信息按一定的方式组织起来，并根据信息用户的需要找出有关的信息的过程和技术。信息检索的目标：准确、及时、全面的获取所需信息。 一、推荐系统领域大牛人物 1、国内 （1）何向南 （中国科学技术大学） 2020年9月获得阿里巴巴达摩院青橙奖，个人主页：http://staff.ustc.edu.cn/~he
factorization meets the neighborhood: a multifaceted collaborative filtering
最新发布
08-09
因子分解遇见邻域：一个多方面的协同过滤方法是一种结合了因子分解和邻域方法的协同过滤算法。在传统的协同过滤算法中，主要有两种方法：基于邻域的方法和基于模型的方法。基于邻域的方法主要是通过计算用户间或物品间的相似度来推荐相似用户或相似物品的评分。而基于模型的方法则是通过构建模型来预测评分。 因子分解是一种常见的基于模型的方法，它可以将用户-物品评分矩阵分解为两个低秩矩阵的乘积，以得到用户和物品的隐含特征。这种方法可以有效地处理稀疏性和冷启动的问题，但在数据稀疏的情况下仍然存在一些挑战。 为了克服因子分解算法在数据稀疏情况下的问题，多方面的协同过滤算法提出了将因子分解与邻域方法相结合的新思路。具体而言，它利用了邻域方法的局部信息来改进因子分解算法的准确度和鲁棒性。 在多方面的协同过滤算法中，首先通过因子分解算法得到用户和物品的隐含特征，并用隐含特征对评分进行预测。然后，利用邻域方法计算用户或物品的邻居，并根据邻居的评分信息进行调整。最终，通过加权融合因子分解和邻域方法的结果，得到最终的推荐结果。 该算法的优点是综合了因子分解和邻域方法的优势，可以克服两种方法在特定情况下的局限性。它既考虑了全局的隐含特征，又考虑了局部的用户或物品相似度。因此，多方面的协同过滤算法在推荐系统中具有广泛的应用前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值