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
邹本友,李翠平,谭力文,陈红,王绍卿.基于用户信任和张量分解的社会网络推荐.软件学报,2014,25(12):2852-2864
基于用户信任和张量分解的社会网络推荐
Social Recommendations Based on User Trust and Tensor Factorization
投稿时间:2014-05-02  修订日期:2014-08-21
DOI:10.13328/j.cnki.jos.004725
中文关键词:  推荐系统  社会网络  信任  张量分解  增量更新
英文关键词:recommendation systems  social network  trust  tensor factorization  incremental update
基金项目:国家重点基础研究发展计划(973)(2014CB340402,2012CB316205);国家高技术研究发展计划(863)(2014AA015204);国家自然科学基金(61272137,61033010,61202114);国家社会科学基金(12&ZD220)
作者单位E-mail
邹本友 数据工程与知识工程教育部重点实验室, 北京 100872
中国人民大学 信息学院, 北京 100872 
 
李翠平 数据工程与知识工程教育部重点实验室, 北京 100872
中国人民大学 信息学院, 北京 100872 
licuiping@ruc.edu.cn 
谭力文 数据工程与知识工程教育部重点实验室, 北京 100872
中国人民大学 信息学院, 北京 100872 
 
陈红 数据工程与知识工程教育部重点实验室, 北京 100872
中国人民大学 信息学院, 北京 100872 
 
王绍卿 数据工程与知识工程教育部重点实验室, 北京 100872
中国人民大学 信息学院, 北京 100872
山东理工大学 计算机学院, 山东 淄博 255091 
 
摘要点击次数: 3623
全文下载次数: 5434
中文摘要:
      社会化网络中的推荐系统可以在浩瀚的数据海洋中给用户推荐相关的信息.社会网络中用户之间的信任关系已经被用于推荐算法中,但是目前的基于信任的推荐算法都是单一的信任模型.提出了一种基于主题的张量分解的用户信任推荐算法,用来挖掘用户在不同的物品选取的时候对不同朋友的信任程度.由于社交网络更新速度快,鉴于目前的基于信任算法大都是静态算法,提出了一种增量更新的张量分解算法用于用户信任的推荐算法.实验结果表明:所提出的基于主题的用户信任推荐算法比现有算法具有更好的准确性,并且增量更新的推荐算法可以大幅度提高推荐算法在训练数据增加后的模型训练效率,适合更新速度快的社会化网络中的推荐任务.
英文摘要:
      In social networks, recommender systems can help users to deal with information overload and provide personalized recommendations to them. The trust relationship of users is used in the social networks' recommender systems. But the state-of-art algorithms only use the single trust relationship which cannot capture the trust to user's friends when looking for different items. This paper proposes a topic-based trust recommendation algorithm using tensor factorization model. As the social information changes rapidly, the state-of-art algorithms often need redo factorization. To address the issue, the paper also presents an effective incremental method to adaptively update its previous factorized components rather than re-computing them on the whole dataset when the data changes. Experiments show that the proposed method can achieve better performance and the incremental method is suitable for the rapid changes in the social networks.
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