摘要:推荐算法通常基于用户的行为数据进行建模,然而显式行为数据的稀疏性可能会引起推荐算法的冷启动问题。为了降低数据稀疏和冷启动问题对推荐算法效果的影响,在已有显式信任关系的基础上,基于用户相似度引入隐式信任关系,通过SVD++隐语义模型设计了新的推荐算法。为了提升算法效果,进一步融合邻域模型,推导出算法评分预测式及损失函数。在Epinions开源数据集中将RMSE和MAE作为测试指标,在全体用户集和冷启动用户集上进行对比实验。实验结果显示,设计的推荐算法可以在一定程度上改善原推荐算法的冷启动问题,并取得更好的评分预测效果。
关键词:推荐算法 ; 隐语义模型 ; 信任网络 ; 评分预测
1 引言
随着互联网技术的全面发展,海量数据得以产生,推动人类社会从信息匮乏的时代走入了信息过载的时代。作为解决信息过载问题的利器,推荐系统受到各大互联网公司以及研究机构的青睐。作为推荐系统的核心,推荐算法成为研究的关键和热点。然而传统的推荐算法(如协同过滤(collaborative filtering,CF)算法)存在评分数据库的数据稀疏性和用户偏好信息数据有限等问题,即推荐系统的数据稀疏和冷启动问题。以上问题会制约推荐系统的推荐效果,破坏用户体验。为了缓解数据稀疏和冷启动问题,通常会在推荐系统中引入新维度的数据。然而近年来,社交网络的快速发展给推荐算法的研究带来了新的推动力。在社交网络中,用户不但会展示自己的个性和偏好,还会与偏好类似、相互信任的其他用户构建联系。因此如何进一步在社交网络的研究中利用社会化信息进行信任构建,提升推荐算法的有效性