推荐算法:社交化网络:社交网络
来源:互联网 发布:淘宝膜法世家是真的吗 编辑:程序博客网 时间:2024/05/01 02:02
定义
- 如何融合社交网络信息到矩阵分解中,用于提升推荐的准确度
已知
- M个用户
- N个物品
- 用户的显式或者隐式反馈位评分矩阵
R∈RM∗N Ru,i 式用户u对物品i的反馈 - 用户的历史行为数据是
D=(u,i,r) - 用户的社会关系网络
(u,v,s,w,t) 用户u和用户v具有社会关系s(关注、评论、转发),权重的w,社交建立的时间是t
问题
利用用户的历史行为数据和社会属性数据,来预测用户 u 对 物品 i 的评分
最小化
基于矩阵分解的模型
BIAS-MF(偏置项)
time-svd
优缺点
优点:
1. 准确度高
2. 自动物品聚类分组
3. 扩展性好,适用于大规模场景
缺点:
1. 不能增量使用数据,每次需要全部重新计算,无法实时计算
2. 解释性差
社会化正则化方法(sr)
使用用户的相似性来约束矩阵的分解中的目标函数,相当于在矩阵分解中加入先验知识
原目标函数
min∑(u,i)∈ζ(rui−r^ui)2+λ(||p||2+||q||2)+β∑u∈U∑v∈Γ+uS(u,v)||pu−pv||2 S(u,v)表示用户之间在社交网络上的相似度 Γ+u 是用户u的好友集合- 物品之间的用户网络关系:
N(i) 是1和物品i 同属于一个类别的物品集合min∑(u,i)∈ζ(rui−r^ui)2+λ(||p||2+||q||2)+β∑i∈I∑j∈N(i)S(i,j)||qi−qj||2
其中数据会稀疏
用户的隐因子之间的余弦相似度计算方法
S(u,v)=cos(pu,pv)=∑k=1Kpu,kpv,k∑k=1Kp2u,k√∑k=1K√p2v,k
协调矩阵分解(sorec)
基于信任网络的混合推荐(STE)
- 用户对物品的喜欢程度是由用户对物品喜欢程度和用户朋友对物品的喜欢程度,共同决定
基于信任传播的模型(socailMF)
- 结果最优
0 0
- 推荐算法:社交化网络:社交网络
- 推荐算法:社交化网络:基础
- 社交网络SNS的好友推荐算法
- 社交网络的好友推荐
- 社交网络
- “社交网络”
- 社交网络
- 社交网络
- 社交网络中潜在好友推荐算法研宄
- 社交网络环境下基于信任的推荐算法
- 社交网络中的推荐系统研究
- 社交网络 知识搜索
- 社交网络的魅力
- 社交网络的魅力
- 社交网络的魅力
- 社交网络的魅力
- 网络社交英语漫谈
- 社交网络的“悖论”!?
- 微信UI
- CIDR(无分类域间路由选择)
- SVN Error:URL access forbidden for unknown reason
- WebStrom js文件创建 template 模板实例
- linux 之 grep命令详解
- 推荐算法:社交化网络:社交网络
- sql查处某字段不重复的全部记录
- hdoj1611The Suspects
- freemarker
- unix环境高级编程-信号(2)
- QQ以及QQ空间分享相关
- PyGobject(七十二)Gtk.Widget之Gtk.SearchEntry
- hdu1671Phone List-字典树
- iOS中常用的几种延时加载/执行的处理办法