用于用户评分预测中社交推荐技术的隐式社交关系提取
社会与信息网络
2017-04-25 v2 机器学习
摘要
推荐在我们日常生活中扮演着越来越重要的角色。推荐系统自动向用户推荐他们可能感兴趣的项目。最近的研究表明，在矩阵分解方法中引入社交信任可以显著提高评分预测的准确性。这类方法主要使用用户显式表达的信任分数。然而，让用户相互提供显式的信任分数通常具有挑战性。已有不少工作提出信任度量，以根据用户间的交互来计算和预测他们之间的信任分数。在本文中，我们首先通过描述推荐系统中用户间的 Hellinger 距离，展示了如何从用户对项目的评分中提取社交关系。然后，我们建议将预测的信任分数引入社交矩阵分解模型。通过分析三个著名的现实世界数据集（均同时提供信任和推荐数据）中的社交关系提取，我们得出结论：在社交推荐技术中使用隐式社交关系，与用户显式表达的实际信任分数具有几乎相同的性能。因此，我们在最先进的社交推荐技术基础上构建了我们的方法，称为 Hell-TrustSVD，将提取的隐式社交关系和用户对项目的评分结合起来，用于对活跃用户的预测。据我们所知，这是第一个用提取的社交信任信息扩展 TrustSVD 的工作。实验结果支持了在显式信任不可用时将隐式信任引入矩阵分解的想法，其在用户评分预测中的表现远优于最先进的方法。
引用
@article{arxiv.1612.01428,
title = {Extracting Implicit Social Relation for Social Recommendation Techniques in User Rating Prediction},
author = {Seyed Mohammad Taheri and Hamidreza Mahyar and Mohammad Firouzi and Elahe Ghalebi K. and Radu Grosu and Ali Movaghar},
journal= {arXiv preprint arXiv:1612.01428},
year = {2017}
}