共查询到10条相似文献,搜索用时 16 毫秒
1.
2.
3.
信息评分预测和信任预测是社交评价网络中的两大基本问题.为应对在提高两类基本问题预测准确性过程中遇到的评分数据与信任关系数据稀疏问题,本文提出了一种基于协同矩阵分解的信息评分与信任预测联合模型.该模型在将评分矩阵与信任关系矩阵进行协同分解时,既能保证被分解的两个矩阵分解过程共享用户潜在变量,又能兼顾两个矩阵分解过程中能够各自获得反映本领域知识相关性的表达.使用分解得到的多个相关低维潜在变量矩阵乘积即可做出评分与信任两个问题的预测.两个真实网络数据集上的实验验证了提出模型有效性和先进性. 相似文献
4.
位置推荐是近年来的研究热点,矩阵分解由于其在推荐算法中的良好表现而得到普遍应用。但是,传统的矩阵分解算法由于是直接对评分矩阵进行分解,没有考虑其他影响因素,因而容易造成推荐准确性偏低。本文研究了地理位置对于签到行为的影响,提出了结合地理因素的协同过滤推荐方法。实验结果表明,本文提出的方法能够有效地预测用户评分,提升推荐精度。 相似文献
5.
6.
7.
8.
针对电子商务平台中出现的信息"超载"问题,通过采用用户聚类划分和节点信任值计算分析的方法建立电子商务信任社区,并结合商品自身评价信息,构建电子商务推荐模型。该模型根据用户最信任的若干邻居对商品的评价信息,预测用户对未购买的商品的评分值,将预测评分值较高的商品推荐给用户,并且在推荐算法设计过程中考虑了推荐的时间效应,为用户提供有效的商品推荐服务。 相似文献
9.
推荐系统已成为电子商务企业吸引客户、实现盈利的有效技术支持,它能够根据用户的网络点击数据预测其偏好,做出个性化推荐。本文研究了一个基于动态矩阵分解模型的NETFLIX电影推荐系统。该系统通过训练一个来自NETFLIX平台、包含9000部电影历史评分的数据集进行预测评分。核心算法包括运用矩阵分解(Matrix Factorization,简称MF)建立有效的数据处理模型,以及使用随机梯度下降(Stochastic Gradient Descent,简称SGD)算法训练该模型。数据集采用稀疏矩阵存储,以节省空间。在训练过程中,对预测评分增加了特定的偏向值。该系统与市场同类产品相比拥有更高的预测准确度,并向电影观众推荐符合他们喜好的电影,能极大地提高电影观看票房值。 相似文献
10.
为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-PMF),通过用户评分数据计算用户间的偏好信任度时,使用了共同项目平衡因子和热门项目惩罚因子进行改进;计算社交网络中的信任度时,考虑了社交活跃度与用户信任度的关系,并将社交活跃度作为惩罚因子,修正用户信任度.将偏好信任度和社交网络中的信任度以动态组合的方式得到最终的信任度,将最终的信任度与概率矩阵模型相结合,实现推荐.实验证明,改进的算法均优于现有的推荐算法,有效提高了推荐质量. 相似文献