基于协同矩阵分解的评分与信任联合预测.pdfVIP

下载本文档

6
0
约1.84万字
约 6页
2019-03-19 发布于浙江
举报
版权申诉

基于协同矩阵分解的评分与信任联合预测.pdf

1、本文档共6页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

第 7期电子学报 V01．4H4 No．7 2016年7月 ACTA ELECTR0NICA SINICA Ju1． 2016 基于协同矩阵分解的评分与信任联合预测张维玉，吴斌，耿玉水，朱江 (1．北京邮电大学智能通信软件与多媒体北京市重点实验室，北京 100876；2齐鲁工业大学信息学院，山东济南250353) 摘要：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．关键词：推荐算法；信任预测；概率矩阵分解；社交推荐网络中图分类号： TN911．23 文献标识码： A 文章编号： 0372．2112(2016)07—1581-06 电子学报URL：http：／／www．ejourna1．org．cn DOI：10．3969／j．issn．0372．2112．2016．07．009 JointRatingandTrustPredictionBasedon CollectiveMatrixFactorization ZHANGWei．yu ，WU Bin ，GENGYu．shui，ZHUJiang (1．BeijingKeyLaboratoryof，n招22i TelecommunicationsSoftwareandMultimedia， BeijingUniversityofPostsandTelecommunications，Beijing100876，China； 2．SchoolofInformation，QiluUniversityofTechnology，Jinan，Shandong250353，China) Abstract： Trustpredictionandinformationitem ratingaretwofundamentaltasksforsocialratingnetworksystems．In responsetodatasparsityoftrustrelationnadratinginformationencounteredwhenimprovingtheaccuracyofpredictinghte twobasicproblems．wepresentajointmodelDfratingnadtrustpredictionbasedoncollectivematrixfactorization．Inour model，trustrelation matrix andinformationratingmatrix arefactorized intolatentfeaturesmatrixescollectively．WeCna makefulluseofcorrespondencema ongusersnadinformationitemsbysharinglatentuserfeature．Moreover，ourmodelCna capturehtedatadependenteffectoftrustdomainsnadratingdomainseparately．Byusinghtoselearnedlatentfeaturesmatri— xesmultipl