基于社会信任正则化的排名推荐算法

随着在线商品交易额逐年增大和社交网络不断深入发展,推荐系统已成为解决信息过载的重要工具之一。当评分矩阵数据稀疏性较大时推荐精度就会显著下降,特别是用户冷启动时该问题更加明显。因此,本文提出一种新的基于隐式反馈信息的社会化排序推荐算法。该算法首先利用矩阵分解方法计算不同项目间的用户偏好。其次,将用户偏好信息融入贝叶斯个性化排名(Bayesian personalized ranking,BPR)算法。然后,挖掘用户之间的相似关系以及信任用户的直接和间接关系,并量化用户之间的信任关系,从而研究不同项目之间用户的偏好差异。最后,将以上信任关系和BPR算法进行融合,进而构建出社会化排序推荐模型。为了验证所提出的社会化排序推荐算法,在DouBan数据集和FilmTrust数据集上,进行算法的有效性验证。通过Precision、MAP和NGCD这3种排序评估指标分别在全数据集和用户冷启动中验证本文算法与SBPR、TBPR、BPR和MostPopular等算法之间排序推荐的优劣性。实验结果表明本文算法明显优于其他对比的排序推荐算法,并可以获得更好的推荐准确率。可见本文算法可以有效改善由于数据稀疏性和用户冷启动所引起的推荐效果差的问题。