探索基于信任的推荐中的信任感知邻域

传统的推荐系统（RS）不考虑评分历史之外的任何个人用户信息。然而，此类信息在社交网站（Facebook、Twitter）上广泛可得。因此，社交网络近来已被用于推荐系统。本文提出了一种高效方法，通过构建一个补充用户评分画像的信任网络，将社交信号融入推荐过程。我们首先展示了不同类型冷启动用户对多个真实世界数据集中协同过滤（CF）技术的影响。随后，我们提出一种“信任感知邻域”算法，通过限制可信邻域来解决前者的性能问题。我们展示了相比传统CF技术，评分覆盖率翻倍，且在某些数据集上准确率显著提升。特别针对冷启动用户，我们提出一种“混合信任感知邻域”算法，通过同时考虑用户的信任和评分历史来扩展邻域。我们展示了在拥有丰富信任网络的数据集——Flixster上近乎完全的覆盖率。最后，我们讨论了该算法在预算受限的云环境中的潜在实现。