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
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12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
孙光福,吴乐,刘淇,朱琛,陈恩红.基于时序行为的协同过滤推荐算法.软件学报,2013,24(11):2721-2733
基于时序行为的协同过滤推荐算法
Recommendations Based on Collaborative Filtering by Exploiting Sequential Behaviors
投稿时间:2013-04-30  修订日期:2013-07-17
DOI:10.3724/SP.J.1001.2013.04478
中文关键词:  协同过滤  时序行为  概率矩阵分解
英文关键词:collaborative filtering  sequential behavior  probabilistic matrix factorization
基金项目:国家自然科学基金(61073110);国家科技支撑计划(2012BAH17B03)
作者单位E-mail
孙光福 中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230027  
吴乐 中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230027  
刘淇 中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230027  
朱琛 中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230027  
陈恩红 中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230027 cheneh@ustc.edu.cn 
摘要点击次数: 4900
全文下载次数: 4121
中文摘要:
      协同过滤直接根据用户的行为记录去预测其可能喜欢的产品,是现今最为成功、应用最广泛的推荐方法.概率矩阵分解算法是一类重要的协同过滤方式.它通过学习低维的近似矩阵进行推荐,能够有效处理海量数据.然而,传统的概率矩阵分解方法往往忽略了用户(产品)之间的结构关系,影响推荐算法的效果.通过衡量用户(产品)之间的关系寻找相似的邻居用户(产品),可以更准确地识别用户的个人兴趣,从而有效提高协同过滤推荐精度.为此,提出一种对用户(产品)间的时序行为建模的方法.基于该方法,可以发现对当前用户(产品)影响最大的邻居集合.进一步地,将该邻居集合成功融合到基于概率矩阵分解的协同过滤推荐算法中.在两个真实数据集上的验证结果表明,所提出的SequentialMF 推荐算法与传统的使用社交网络信息与标签信息的推荐算法相比,能够更有效地预测用户实际评分,提升推荐精度.
英文摘要:
      Collaborative filtering, which makes personalized predictions by learning the historical behaviors of users, is widely used in recommender systems. The key to enhance the performance of collaborative filtering is to precisely learn the interests of the active users by exploiting the relationships among users and items. Though various works have targeted on this goal, few have noticed the sequential correlations among users and items. In this paper, a method is proposed to capture the sequential behaviors of users and items, which can help find the set of neighbors that are most influential to the given users (items). Furthermore, those influential neighbors are successfully applied into the recommendation process based on probabilistic matrix factorization. The extensive experiments on two real-world data sets demonstrate that the proposed SequentialMF algorithm can achieve more accurate rating predictions than the conventional methods using either social relations or tagging information.
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