初始构型对基于网络的推荐的影响

本文基于加权对象网络提出了一种推荐算法，该算法对初始资源分布的构型敏感。即使在最简单的二值资源情况下，当前算法的准确率也显著高于广泛使用的全局排序方法和协同过滤。此外，我们引入自由参数 $\beta$ 来调节资源的初始构型。数值结果表明，减少位于热门对象上的初始资源可进一步提高算法准确率。更重要的是，我们认为更好的算法应同时具备更高的准确率和更强的个性化。根据新提出的个性化程度度量，我们证明了依赖度数的初始构型在准确率和个性化强度方面均优于均匀情况。