原创划分聚类和矩阵分解方法在社会化推荐系统中的应用研究.docx
- 文档编号:9491561
- 上传时间:2023-05-19
- 格式:DOCX
- 页数:19
- 大小:117.31KB
原创划分聚类和矩阵分解方法在社会化推荐系统中的应用研究.docx
《原创划分聚类和矩阵分解方法在社会化推荐系统中的应用研究.docx》由会员分享,可在线阅读,更多相关《原创划分聚类和矩阵分解方法在社会化推荐系统中的应用研究.docx(19页珍藏版)》请在冰点文库上搜索。
原创划分聚类和矩阵分解方法在社会化推荐系统中的应用研究
研究生学位论文开题报告
学位级别硕士
学科专业管理科学与工程
姓名
指导教师
入学年月
填表日期2014年12月5日
任务来源
校项目编号
经费
课题名称
论文题目或
选题范围
划分聚类和矩阵分解方法在社会化推荐系统中的应用研究
阅读文献情况
国内文献17篇
开题日期
2014年12月5日
国外文献31篇
开题地点
管理学院
1研究目的与意义
1.1研究目的
随着Internet的迅猛发展,信息量不断增加,网络数据呈现指数性增长的趋势,信息过载现象越来越严峻,人们在海量的信息面前感到束手无策。
美国互联网数据中心指出,互联网上的数据每年将增长50%,每两年便将翻一番,而目前世界上90%以上的数据是最近几年才产生的[1]。
海量信息的出现,一方面使用户很难从中发现自己感兴趣的部分,另一方面也使得大量少人问津的信息成为网络中的“暗信息”,无法被一般用户获取。
因此,人们需要花费大量时间去浏览和查找感兴趣的信息。
而随着电子商务市场规模的稳步增长,商务网站的用户和商品数据的累积攀升,“信息过载”现象同样出现在电子商务中[2]。
电子商务为用户和商家提供越来越多的商务信息的同时也让用户和商家面临巨大的挑战。
对于消费者,从“信息海洋”中找到并选择自己感兴趣的商品信息非常困难;对于信息生产者,让自己的信息脱颖而出,受到广大用户的关注,也是一件非常困难的事情。
解决“信息过载”问题的传统方法是使用搜索引擎,人们借助搜索引擎进行信息的检索,比如Google、Yahoo和XX等。
搜索引擎不管是在早期的还是近期的互联网应用中,在解决“信息过载”的问题上,都发挥了重要的作用。
目前,搜索引擎是最普遍的辅助人们获取信息的工具,但它只能满足主流需求,没有考虑用户的个性化信息需求,仍然没有很好地解决信息过载的问题[3]。
但是,搜索引擎仍然存在一些不足,主要表现在没有考虑用户自身的特性,提供给用户的是非个性化的、相同的检索结果,不能满足不同背景、不同目的和不同时期的用户请求。
如何帮助用户从海量的网络数据中快速找到其感兴趣的信息,已经成为一个急需解决的问题。
个性化推荐系统(PersonalizedRecommenderSystem)就是针对此问题而提出来的,作为弥补搜索引擎不足的有效方法,是通过电子商务网站向客户提供商品信息和建议,帮助用户决定应该买什么产品,模拟销售人员帮助客户完成购买过程[4]。
与搜索引擎不同,个性化推荐系统依赖于用户的行为数据,它认为在没有足够的经验或其他人建议的情况下,用户在大量商品面前很难做出购买选择,所以不需要用户把他们的需求用显式的以关键词的形式告诉系统,而是让系统主动去发现用户的需求,从而达到了了解用户需求和减少用户工作量的双重功效。
目前,个性化推荐系统通常都是作为一个应用存在于不同网站之中,在互联网的各类网站中都可以看到推荐系统的应用,广泛利用推荐系统的领域主要包括电子商务、电影和视频、音乐、社交网络(SocialNetwork)、阅读、基于位置的服务(LBS)、个性化邮件和广告等[5]。
与此同时,近几年来社交网络服务(SocialNetworkSite,简称SNS)越来越流行,成为了很多人生活中的重要组成部分,整个互联网开始进入社会化进程,用户在信息活动中越来越成为一个社会化的媒体角色,其需求也从低层次的信息需求逐渐向高层次的社交和情感需求过渡。
社交网络反映了现实社会中的真实关系,而且其拥有庞大的用户群和海量的用户生成内容以及交互数据。
通过分析这些数据,能更准确地对用户的兴趣爱好进行挖掘,增加客户的满意度和忠诚度,更准确的投放广告,从而实现真正意义上的个性化推荐。
然而,社交网络的流行所产生的直接结果是用户迅速增长和信息过载,而信息的噪音会随着接到信息量的提高而增大,如果用户每天接受到大量的不相干信息,忠实度肯定会极度下降。
因此,将推荐系统应用到社交网络中对有效解决其中的“信息过载”问题具有重要意义。
除了弥补搜索引擎在处理“信息过载”问题上的不足之外,在社交网络中,推荐系统还有另外一个重要的作用:
发现用户的潜在需求,增加用户的活跃度。
潜在需求的发现在营销学中是一种常用的营销方法,目的是达到消费者和销售者的双赢。
在社交网络中同样如此,发现用户的潜在需求,帮助用户在大量的信息中找到他们感兴趣的目标,不仅能使用户受益,同时也能让用户变得更加活跃,增强用户对系统的好感和依赖性,从而给系统开发者带来经济利益。
个性化推荐技术在电子商务领域已经发展的相对成熟,然而在社交网络上的运用研究还处在初级阶段,由于社交网络的成功和快速发展,社交网络中的推荐系统(简称为社会化推荐系统)研究也成为了一个研究热点。
由于社交网络庞大的信息量、用户量和用户的稀疏性,目前存在着冷启动、推荐的实时性以及数据的稀缺性、可扩展性以及特殊用户等的问题。
虽然现有的社交网络推荐系统已经被广泛应用,但大部分有一些改进的空间。
因此,不管是个性化推荐技术还是社交网络本身,都是“以人为本”,故本文旨在能探索怎样的技术、算法、模型能尽可能大限度的达到客户、企业、以及网站的本身互利共赢,适应如今大数据信息环境。
因此,本论文在已有研究的基础上,将用户在社交网络中的关系信息应用到推荐系统中,结合数据挖掘和机器学习领域中的划分聚类方法和矩阵分解方法,对原有的社会化推荐算法进行改进,以缓解当前推荐系统面临的稀疏性、实时性、准确性等问题,提高推荐的质量和效率,并且在公开数据集上进行了进一步验证。
1.2研究意义
(1)理论意义
聚类和矩阵分解问题一直是机器学习和模式识别领域一个比较活跃而且极具挑战性的研究方向,关于聚类和矩阵分解的算法有很多,其中基于划分的聚类算法因其设计简单、解决问题范围广、易于实现等特点成为新的研究热点。
但是关于划分聚类和矩阵分解的研究,目前主要是集中在对算法本身的改进上,对于它们的应用领域的扩展研究还比较少,尤其是在推荐系统领域中的应用则更少。
近年来国内外学者及组织对推荐系统做了大量的研究,针对目前电子商务领域推荐系统面临的稀疏性、准确性、实时性等问题,提出了相应的改进的方法。
但是基于社交网络的个性化推荐技术的研究相对较少。
本文在研究聚类和矩阵分解算法的基础上,并将其应用到基于社会网络的推荐系统中,不仅丰富了聚类和矩阵分解理论,而且扩展了聚类方法和矩阵分解的应用领域。
(2)实践意义
推荐系统的应用有效缓解了互联网“信息过载”问题,在一定程度上推动了电子商务的发展,但在实际应用中用户往往只对海量商品中的极小一部分做出过评价,用户-项目评分矩阵十分庞大,并且特别稀疏,寻找目标用户的相似用户十分困难。
与需要预测的评分个数相比,已知的评分数量是非常稀少的。
能否使用极端稀疏的评分数据来准确地预测未知评分,决定了推荐系统的性能。
利用社交网络中用户关系可以有效缓解数据稀疏性问题,从而提高推荐的准确性。
另外,用户聚类和矩阵分解的过程可以离线完成,其中,聚类后的在线阶段只需要在相似的用户群中寻找最近邻并计算用户对未知项目的预测评分,大大提高了在线推荐的速度,解决了系统实时性问题。
因此,将聚类算法和矩阵分解算法应用到基于社交网络的推荐系统中,可以提高用户网络购物的体验,而且增加了电子商务企业的营业额,对用户和企业来说都具有一定的实践意义。
2国内外研究述评
根据收集到的中外文文献,主要以近些年的研究成果为主,从推荐系统研究进展、社交网络研究进展、社会化推荐系统研究进展和聚类算法研究进展四个方面来对文献内容进行分析和综述。
2.1推荐系统的研究进展
推荐系统帮助用户在海量的信息资源中搜寻真正有价值的信息,节约了用户的搜寻成本,同时也提高了用户对网站的忠诚度,增加了网站收益。
由于巨大的应用需求,推荐系统自20世纪90年代初期提出以来,得到了学术界和企业界的广泛关注。
美国计算机学会ACM(AssociationforComputingMachineiy)多次把推荐系统列为研讨主题,国内外期刊也纷纷将推荐系统作为研究专题。
目前,推荐系统的研究主要集中在推荐技术的改进,以适应不同类型的推荐场合。
研究最多的是基于内容的推荐和协同过滤推荐。
基于内容的推荐技术是根据用户的兴趣模型与资源的描述为用户推荐与其兴趣相似的项目。
该类算法源于一般的信息检索方法,基础在于信息抽取和信息过滤,属于文本信息资源处理的研究范畴,可以用户推荐包含文本信息的资源,如文档、网页和在线新闻等。
例如网页推荐系统Fab就是一个典型的基于内容的推荐系统,Fab系统有一个基于内容过滤的组件负责向用户推荐网页。
但是基于内容的推荐也具有比较明显的局限性[6]:
首先,它要求项目具有良好的结构性和属性特征易于提取和表示,对于声音、图像、视频等结构复杂、难以体现内容特征的项目,无法有效提取其信息并进行推荐;其次,无法发现用户的潜在兴趣,为用户提供新异推荐,所推荐项目与阳户先前的兴趣偏好高度相关,用户只能接收与以往项目内容类似的推荐项目;最后,它不能判别项目的质量特征,例如无法分辨具有相同关键词,而内容和风格完全不同的两篇文档。
协同过滤是目前推荐系统中最受关注、应用最为广泛的推荐技术,它的基本思想是筛选出一组与目标用户兴趣相近的邻居用户,根据邻居用户的偏好推测目标用户的偏好,向目标用户推荐其最有可能感兴趣的项目(如Web页面、音乐、视频、商品等)。
协同过滤算法被广泛应用于推荐系统中,比较著名的有邮件推荐系统Tapestry、图书推荐系统Amazon、音乐推荐系统Ringo和电影推荐系统MovieLens等。
虽然协同过滤推荐系统可以应用与任何资源,为用户发现新的感兴趣的信息,但是存在稀疏性、实时性、准确性、可扩展性等问题。
为了缓解上述问题,许多学者进行了深入研究并取得了出色的研究成果,如在传统相似性度量方法的基础上提出了改进的相似性计算方法[7],提高了推荐准确度;将SVD[8]、NMF[9]等矩阵分解技术应用于协同过滤算法,有效缓解了数据稀疏问题;还有学者将聚类技术引入协同过滤中有效提高系统实时性:
George[10]等采用联合聚类算法,同时处理用户和项目,提高了系统的可扩展性;吴湖[11]等提出一种两阶段联合聚类算法,首先在原始矩阵中对用户和物品两个维度的联合聚类,然后在这些类别的内部通过加权非负矩阵分解方法进行未知评分预测。
2.2社交网络的研究进展
社交网络它起源于互联网中各类提供社交的应用(SocialNetwork),对于它的研究最早可追溯到19世纪二三十年代,电子邮件被看作是早期互联网环境下应用最为广泛的社交工具;论坛的出现,将电子邮件点对点的信息交流升级至点对面;博客微博等应用的不断推进,除了提升了信息传递与交流的效率之外,更加突出了人的特点与个性,从计算机按照通信协议连接在一起而形成的互联网,到基于人际关系而形成的社交网络。
因此,社交网络或是一种全新的互联网应用或是一种革命性的信息交流方式或是一种颠覆性的商业模式,然而它更是将网络虚拟世界与人类现实世界相融合的强有力助推器。
信任是人类大部分社会活动的基石也是人际关系的基础,而社交网络是指个人之间的关系网络它是建立在人际关系基础上的。
因此,信任度成为目前的社交网络中的研究热点之一。
目前社交网络中用户间的信任可以分为内部信任度和外部信任度两部分[12],并通过调整权重得到用户间的信任度,其中外部信任度通过用户间的交互行为产生,是基于熟悉性的基础上产生的信任度,而内部信任度是通过用户间的评分信息产生的信任。
在国外,HaoM等人[13]提出了一种基于显性关系和隐性关系的推荐学习方法;LiDongsheng等人[14]提出了一种基于实时内容的社区信息推荐方法。
在国内,胡建理等人[15]提出了一种FCTrust信任模型,提高恶意节点处理能力,同时改进节点消息路由效率,用于量化和评估节点的可信程度,并给出了模型的数学表达式和分布式实现方法;乔秀全等人[16]提出了一种SNS基于用户上下文的信任度计算方法,借鉴了社会心理学中人与人之间的信任关系产生的原理,实现熟悉性信任的计算。
社会网络具有许多独特的性能,其中社团结构是一个最具研究特性的热点。
社团发现技术在社会网络研究中探索网络内容和结构特征,缩小网络的研究规模中广泛使用。
所谓的社团,是指社会网络中具有相似特征并且紧密联系的对象,它包括事件、文本、社会群体等。
社团结构通常被认为把网络的顶点集划分为一系列子集。
其中,社团内部的节点由于某种特征而紧密联系,不同社团之间的节点处于一种弱连接的状态。
研究社交网络中的社团结构具有十分重要的意义。
首先,发现社团结构并对其特征进行分析,对网络中内容传播的分析具有重要价值。
其次,通过社团分析挖掘个体间的关系,有利于发现大规模网络中隐含的人际关系、群体关系,对于商业情报智能分析具有重要意义。
国内外学者对社团发现算法的研究主要基于图像分割技术和聚类技术。
国际上,Girvan和Newman[17]提出了GN算法,它是一种分裂式层次聚类算法,采用基于边介数的图分割思想,依次删除具有最大边介数的边,直至网络中的所有节点都成为一个独立的社区。
Newman[18]在GN算法的基础上又提出了Newman算法,它是一种结合贪婪算法思想和凝聚方法的社区发现算法,沿着使网络模块度增加最大或减少最小的方向不断地进行社区合并,从而得到最大的模块度以使社区划分达到最优。
在国内,黄健斌[19]等人提出了一种网络聚类算法,从链接密度遍历序列中自动发现网络的全局优化聚类。
张世华等[20]结合谱分析方法将网络中的节点近似映射到欧拉空间中的数据点,进而利用模糊C均值(FCM)聚类算法对空间中的数据点进行聚类,从而得到节点与社团之间的隶属度矩阵。
2.3社会化推荐算法的研究进展
近年来,随着社交网络的蓬勃发展,对于社交网络中的个性化推荐的研究也逐渐成为热门领域。
基于社交网络的个性化推荐又叫社会化推荐(SocialRecommendation),它是以用户在社交网络中的信息为依据,对用户产生推荐。
在实际生活中,人们更容易相信和接受来自亲人和朋友等熟人的推荐。
Sinha和Swearingen[21]将在线推荐和基于朋友的推荐进行了比较研究,结果表明基于朋友推荐效果好于在线推荐,另外基于朋友的推荐在推荐的新颖性上表现更加出色。
Bonhard和Sasse[22]在社会化背景是否会对推荐产生重要影响的研究也证实了人们更加倾向于来自熟人的推荐。
以上研究为社会化推荐算法的研究提供了重要的理论依据。
近年来,国内外专家学者对社会化推荐算法进行了研究,并取得了出色的研究成果。
Lam[23]将社交网络信息应用到协同过滤算法中,提出了一种结合社会化网络信息的自动化认知的协同过滤算法SNACK,在SNACK中用户评分的相似度权重根据用户之间的网络路径的长短来调节,同时考虑了封闭网络领域的用户偏好。
李永铭[24]从社会关系和语义分析的角度提出了一种基于信任模型的博客推荐方法,并以台湾著名的博客系统Wretch为例,验证了此方法的有效性。
Jamali等人[25]提出了TrustWalker,它在信任网络上运用随机游走方法,同时结合了基于物品的协同过滤与Trust-aware方法的思想,在推荐的精度和覆盖率之间找到了很好的折中。
在国内,郭磊[26]等人提出了一种信任关系强度敏感的社会化推荐算法,通过共享潜在用户的特征空间对信任关系强度和用户兴趣进行建模,然后进一步识别出与目标用户有着共同爱好的朋友来对求解的过程进行优化。
该算法可以更好地对用户间的信任关系建模,提高了推荐算法的准确性。
陈克寒[27]等人提出的基于用户聚类的异构社交网络推荐算法,使用两阶段聚类的方法对用户聚类,并且将图摘要方法和基于用户相似度的算法相结合,实现了基于用户兴趣的推荐。
该算法在一定程度上解决了数据稀疏和冷启动问题。
尽管一些学者将社交网络信息应用到协同过滤算法中取得了一定的成果,但是对社会化推荐系统的研究还是一个前沿领域,因此有较多的改进空间。
现有的研究大多集中在用户兴趣模型和信任度模型的建立上,然而社交网络中海量的用户信息严重影响了推荐系统的性能。
本文在原有研究的基础上,探讨了聚类和矩阵分解算法在社会化推荐算法中的应用。
2.4基于划分聚类算法的研究进展
传统的协同过滤算法在确定目标用户的近邻时需要遍历系统中的所有用户,随着电子商务系统中的用户数量和资源数量不断增长,遍历所有用户已经变得不切实际,协同过滤技术在实时推荐和系统扩展性方面都遭遇了前所未有的挑战。
基于划分的聚类的过程是将相似度高的对象聚到同一个簇中,使不同簇的对象高度差异,聚类后,目标用户近邻的搜索空间可以压缩到与用户相近的簇中,以提高近邻查找的效率。
因此,将聚类技术引入协同过滤中成了一个有效的解决方案。
基于划分的聚类算法与其他聚类方法相比具有明显的优势:
收敛快,能够根据不同的距离算法发现不同形状的簇;操作简单,易于实现;非常适用于许多实际应用问题。
目前比较流行的基于划分聚类的方法包括:
K均值(K-means)算法、K中心点(K-medoids)算法、模糊C均值(FCM)聚类算法等。
K-means算法是最经典的基于划分式的聚类算法,其他的多数划分方法几乎都是在这种方法上的改进。
其缺点是聚类数目需要事先制定,聚类结果严重依赖初始中心点的选取和聚类准则函数已陷入局部最优。
针对这些问题,研究人员通过多次尝试去改进K-means算法的有效性和效率。
国际上,Nazeer[28]等人提出基于K-means的增强算法,改进了K-means聚类算法的精度和效率,在该算法中使用了两种方法,一种方法用于查找更好的初始质心;而另一种方法用一种有效地降低时间复杂度的方式来分配数据点到相应的集群,从而能够在较少的时间中聚类产生良好效果的集群。
Bhattacharya等人[29]提出了一种针对基因分组的分裂相关聚类算法(DCCA),聚类时将所需的簇作为输入值,而不考虑初始质心和K的值,降低了时间复杂度。
在国内,李永森[30]等提出了综合类间距离与类内距离两种距离函数的距离代价函数,并且作者证明了当距离代价函数为何值时,对应的K值为是最佳聚类数。
巩敦卫[31]等提出了一种基于微粒群的可以动态改变K值的优化算法,动态改变此前随机选取的K值。
作为硬聚类K-means算法的改进,FCM聚类分析已经有效地应用在大规模数据分析、数据挖掘、模式识别、图像处理等领域,具有重要的理论与实际应用价值。
FCM聚类算法是基于误差平方和准则的算法,它通过优化目标函数得到每个数据样本点对所有簇中心的隶属度,从而决定样本点的归属以达到自动对数据样本进行分类的目的。
由于模糊聚类需要人为的指定聚类数目C、初始聚类中心或者是初始的隶属度矩阵,其对初始化比较敏感,所以国内外对于初始化的研究都很广泛。
DaeWonKim等人[32]提出了一种基于颜色聚类的新的初始化策略,首先从颜色数据点中提取颜色比较明显的颜色数据作为初始的聚类中心,并引入了一种参照颜色,定义了一个数据点与参照颜色之间的模糊隶属关系,提高了聚类的有效性和可靠性。
于剑等人[33]对Xie-Beni方法[34]进行了证明与改进,提出了一种优化的最佳聚类簇数策略,在提高方法的准确性的同时减少了计算量。
还有学者对目标函数进行改进,Francisco等人[35]对于采用不同的距离公式会达到不同的聚类效果的问题,引入自适应系数或者动态的聚类,能够适应不同的簇产生一种不同的距离,从而克服FCM聚类只能识别簇大小相近的缺点。
由于划分聚类可以有效降低推荐系统的计算量和复杂度,提高推荐系统实时响应速度,因此广泛被应用于推荐系统中。
近些年,许多国内外的学者对该技术进行了研究。
在国外,BirtoloC等[36]将Self-organizingMaps(SOM)聚类算法与模糊聚类分别引入协同过滤算法中,通过计算不同聚类数下RMSE值来筛选出最佳聚类簇数然后进行聚类,降低了数据稀疏度,提高了推荐精度。
TsiCF等[37]将K-means聚类算法与Self-organizingMaps(SOM)聚类算法通过不同的策略进行组合并将其引入到协同过滤算法中,相对基于单一聚类的推荐算法,提高了推荐精度。
在国内,戴亚娥等[38]提出了结合模糊聚类的过滤推荐,用户对项目评分的相似性对项目进行模糊聚类,建立模糊聚类矩阵,由此基础上搜索最近邻居,从而缩小最近邻的查找范围并产生推荐结果。
李华等[39]提出了一种基于模糊聚类的协同过滤算法,通过传递闭包法将项目相似关系改造成模糊相似关系,然后设定一系列项目相似度阈值来对项目进行模糊聚类,缓解了由于用户项目评价数据稀疏而导致传统协同过滤中寻找最近邻居用户不准确的问题。
2.5矩阵分解算法的研究进展
矩阵分解(MatrixFactorization,MF)模型作为基于模型的协同过滤方法的代表,自NetflixPrize1电影推荐大赛以来,成为了推荐系统算法研究中最主流和效果最好的算法之一,它与其他方法相比具有明显的优势[40]:
首先,与传统协同过滤算法相比,基于矩阵分解模型推荐算法可以更好地适应数据量较大的推荐环境,具有更好的扩展性;其次,相比与基于用户评分数据的传统推荐算法,基于矩阵分解模型在用户评分数据稀疏的情况下,具有更好的推荐表现。
矩阵分解模型通过将将用户和物品特征化为隐含因子向量,并通过计算用户和物品之间隐含因子的相关性来进行推荐,用户矩阵中的行向量和项目矩阵中的列向量的点积即为对应用户对项目的预测评分,对评分排序即可得到推荐结果。
矩阵分解模型中的奇异值矩阵分解(SVD)模型预测性能好,实现方法较为简单,并具有良好的可伸缩性和高度的灵活性。
因此,自从该方法被应用到推荐系统中之后,出现了各种变形和扩展,形成了一系列的方法并取得了许多重大的进步。
近些年,国内外的学者对该技术进行了大量的研究。
矩阵分解模型最早由Sarwar等人[41]应用到推荐系统当中,该方法基于对稀疏评分矩阵的降维处理,分解后获得了代表原评分矩阵主要属性的参数,从而不仅达到了寻找推荐对象之间关系的目的,而且有效改善了评分矩阵的稀疏问题和异常评分问题,由于该方法的数学基础是奇异值分解(SingularValueDecomposition,SVD),所以也被称作SVD模型。
针对SVD模型纯粹基于数学方法求解计算量太大的问题,Funk等人[42]提出了利用机器学习方法求解矩阵分解问题的方法RegularizedSVD,该方法将每个推荐对象被一系列潜在特征代替,而用户则用一系列表示对潜在特征喜好程度的数字代替,特征的个数和维度可以通过一个参数控制,然后通过优化均方根误差(RootMeanSquareError,RMSE),利用梯度下降算法求解,拟合原评分矩阵中已有评分项,并忽略没有的评分项。
Yehuda等人[43]在总结了之前矩阵分解研究的基础上对矩阵分解模型做了更多的改进和推广,提出了SVD++和IntegratedNeighbor-BasedSVD,使得矩阵分解模型能够对隐式反馈(例如标签、观看时间等)进行建模,从而使得矩阵分解模型扩展性大大增强。
也有一些学者在SVD模型的基础上提出一些分解模型框架,并将其应用到了社会网络领域中。
Ma等人[44]提出了SoRec概率矩阵分解方法,将社会网络图分解为潜在用户特征矩阵与因子特征矩阵并根据信任网络中节点的初度与入度,去调整用户之间的信任值。
Rendle提出了FactorizationMachines模型[45],该模型是分解模型的一个抽象,可以模拟不同的分解模型,例如MF、SVD++等,并且可以直接通过指定FactorizationMachine模型的输入特征向量将上下文等信息加入到分解模型中,从而提高推荐的质量。
Chen等提出的SVDFeature模型[46]和FactorizationMachines类似,也是一个基于特征向量的分解模型框架,并利用SVDFe
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 原创 划分 矩阵 分解 方法 社会化 推荐 系统 中的 应用 研究