主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2019-2020年专刊出版计划 微信服务介绍 最新一期:2019年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
杨兴耀,于炯,吐尔根·依布拉音,廖彬,钱育蓉.融合奇异性和扩散过程的协同过滤模型.软件学报,2013,24(8):1868-1884
融合奇异性和扩散过程的协同过滤模型
Collaborative Filtering Model Fusing Singularity and Diffusion Process
投稿时间:2012-06-26  修订日期:2012-08-20
DOI:10.3724/SP.J.1001.2013.04350
中文关键词:  推荐系统  协同过滤  相似性度量  奇异性  扩散过程
英文关键词:recommender system  collaborative filtering  similarity measure  singularity  diffusion process
基金项目:国家自然科学基金(61063042, 61262088, 61063026); 新疆自治区自然科学基金(2011211A011); 新疆高校重大科研项目(XJEDU2012I10); 新疆大学博士创新项目(XJUBSCX-2011007); 新疆大学博士科研启动基金(BS100128)
作者单位E-mail
杨兴耀 新疆大学 信息科学与工程学院, 新疆 乌鲁木齐 830046 yangxy@xju.edu.cn 
于炯 新疆大学 信息科学与工程学院, 新疆 乌鲁木齐 830046
新疆大学 软件学院, 新疆 乌鲁木齐 830008 
 
吐尔根·依布拉音 新疆大学 信息科学与工程学院, 新疆 乌鲁木齐 830046  
廖彬 新疆大学 信息科学与工程学院, 新疆 乌鲁木齐 830046  
钱育蓉 新疆大学 软件学院, 新疆 乌鲁木齐 830008  
摘要点击次数: 3876
全文下载次数: 3556
中文摘要:
      作为解决信息过载问题的有效方式,推荐系统能够根据用户偏好对海量信息进行过滤,为用户提供个性化的推荐.但在推荐过程中,性能表现优异的协同过滤模型并没有充分利用上下文信息,这在一定程度上使系统面临性能瓶颈.为了进一步提高系统性能,从评分上下文信息着手,通过对项目评分进行分类统计获得评分奇异性,同时借鉴多渠道扩散相似性模型将推荐系统作为用户-项目二分网络的思想,提出了融合奇异性和扩散过程的协同过滤模型(collaborative filtering model fusing singularity and diffusion process,简称CFSDP).为了表明模型的优越性,比较实验基于MovieLens,NetFlix 和Jester 这3 个不同的数据集展开.实验结果表明,该模型不仅具有良好的扩展性,而且在合理的时间开销下,可以显著提高系统的预测和推荐质量.
英文摘要:
      As a key solution to the problem of information overload, the recommender system can filter a large deal of information according to user’s preference and provide personalized recommendations for the user. However, traditional collaborative filtering models with excellent performance haven’t made full use of the contextual information in the process of recommendation, which to some extent confronts the system with the performance bottleneck. In order to improve the system performance further, this paper starts with the contextual information on ratings, and proposes a collaborative filtering model fusing singularity and diffusion process (CFSDP) by taking advantage of ratings’ singularities obtained from the classified statistics of ratings and referring to the similarity model of multi-channel diffusion which regards recommender system as a user-item bipartite network. To demonstrate the superiority of the proposed model, the study provides comparative experimental results based on the MovieLens, NetFlix and Jester data sets. Finally, the results show that the model not only has better extensibility, but also can observably improve the prediction and recommendation quality of system with a reasonable time cost.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利