利用社交信号改进矩阵分解中的物品推荐
信息检索
2018-05-29 v1 社会与信息网络
摘要
尽管推荐系统在过去十年中已在工业界和学术界得到全面研究，当前大多数推荐系统仍存在以下问题：1) 用户-物品矩阵的数据稀疏性严重影响了推荐系统的质量。因此，大多数传统推荐系统方法无法处理评分物品较少的用户，即推荐系统中的冷启动问题。2) 传统推荐系统假设用户独立同分布，忽略了用户之间的社交关系。然而，在现实生活场景中，由于 facebook 和 Twitter 等社交网络服务的指数级增长，不同用户之间的社交连接对推荐系统任务起着重要作用。在这项工作中，旨在通过引入用户社交网络信息来提供更好的推荐系统，我们提出了一种带有用户社交连接约束的矩阵分解框架。在真实数据集上的实验结果表明，所提方法在 MAE 和 RMSE 方面显著优于最先进的方法，尤其是对于冷启动用户。
引用
@article{arxiv.1805.06594,
title = {Leveraging Social Signal to Improve Item Recommendation for Matrix Factorization},
author = {Ze Wang and Hong Li},
journal= {arXiv preprint arXiv:1805.06594},
year = {2018}
}