TrustOCCR：基于信任的社会化单类协同排序推荐算法

doi:10.15966/j.cnki.dnydx.2024.06.008

全文: PDF(0 KB)
输出: BibTeX | EndNote (RIS)

摘要之前关于社会化单类协同排序推荐算法的研究仅仅集成用户的社交网络信息到推荐模型中，未能考虑到用户的社交信任网络的传递性。为了解决该问题，基于最新的CLiMF模型和TrustMF模型，提出了一种新的基于信任的社会化单类协同排序推荐算法（TrustOCCR）。该算法通过精心整合双重稀疏信息（隐式评分矩阵和具有传递性的社交信任网络矩阵）来进一步提高社会化单类协同排序推荐算法的性能。在真实的实验数据集上验证，采用两个不同的评价指标，本文提出的TrustOCCR算法均优于最新的社会化单类协同排序推荐算法。且TrustOCCR算法可扩展性好，适合在互联网信息推荐领域用于处理大数据。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章

关键词 ：推荐系统, 协同过滤, 社会化协同排序, 社交网络

Abstract： The problem with previous studies of social One Class Collaborative Ranking (OCCR) algorithms is that they simply integrated the user's social network information into their model, without taking into account the transmission of social trust networks between users. To solve this problem, a new social one class collaborative ranking recommendation algorithm (TrustOCCR) based on CLiMF model and the newest TrustMF model is proposed, which aims to improve the performance of social one class collaborative ranking recommendation by integrating twofold sparse data, i.e., implicit feedback data and the transitive social trust network data. Experimental results on practical dataset show that our proposed TrustOCCR algorithm outperformed existing state-of-the-art OCCF approach over di?erent evaluation metrics, and that the TrustOCCR algorithm possesses good expansibility and is suitable for processing big data in the ?eld of internet information recommendation.

Key words： recommendation system collaborative ?ltering social collaborative ranking social network

年卷期日期: 2024-06-10 出版日期: 2024-11-01

引用本文:

李改郭泽浩. TrustOCCR：基于信任的社会化单类协同排序推荐算法[J]. 电脑与电信, 2024, 1(6): 7-10.
LI Gai GUO Ze-hao. TrustOCCR: Social One Class Collaborative Ranking Recommendation Algorithm by Trust. Computer & Telecommunication, 2024, 1(6): 7-10.

链接本文:

https://www.computertelecom.com.cn/CN/10.15966/j.cnki.dnydx.2024.06.008 或 https://www.computertelecom.com.cn/CN/Y2024/V1/I6/7

[1]	欧卫红杨永琴. 大数据平台下基于Mahout的图书推荐系统研究[J]. 电脑与电信, 2021, 1(9): 28-31.
[2]	宋曼. 一种基于BP神经网络的电影协同过滤算法[J]. 电脑与电信, 2021, 1(6): 13-18.
[3]	高立强缪凯. 改进型协同过滤的网络课程推荐算法[J]. 电脑与电信, 2021, 1(6): 53-56.
[4]	陈伯伦, 花勇, 袁燕, 李芬芬, 张正伟. 社交网络影响力最大化在高校信息化教学中的探讨[J]. 电脑与电信, 2018, 1(3): 1-3.
[5]	杨要科. 基于改进项目相关性度量的协同过滤推荐算法[J]. 电脑与电信, 2018, 1(12): 23-.
[6]	陶漪. 基于E-learning 的资源推送服务与关键策略研究[J]. 电脑与电信, 2017, 1(11): 12-13.
[7]	王玉林, 王永鉴, 柴争义. 基于免疫算法的个性化推荐系统[J]. 电脑与电信, 2016, 1(10): 1-3.
[8]	陈泽波. 基于分类的协同过滤图书推荐系统应用研究[J]. 电脑与电信, 2015, 1(9): 60-62.
[9]	路晓亚宋秋丽. 基于用户兴趣变化的协同过滤技术的研究[J]. , 2012, 1(3): 0-0.