CN112667885B - 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 - Google Patents
一种耦合社会信任信息的矩阵分解协同过滤方法和系统 Download PDFInfo
- Publication number
- CN112667885B CN112667885B CN202011403396.6A CN202011403396A CN112667885B CN 112667885 B CN112667885 B CN 112667885B CN 202011403396 A CN202011403396 A CN 202011403396A CN 112667885 B CN112667885 B CN 112667885B
- Authority
- CN
- China
- Prior art keywords
- trust
- social
- collaborative filtering
- information
- users
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种耦合社会信任信息的矩阵分解协同过滤方法和系统,包括以下步骤:构建社会信任知识图谱;对所述社会信任知识图谱按信任关系和信任度量进行信任团划分;构建耦合社会信任信息的矩阵分解协同过滤模型;利用信任知识图谱的信任团信息及其他用户‑物品交互信息对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型。本发明提供的朋友信任圈的检测算法,基于朋友之间的信任度量,而不是基于网络节点之间的可达性来识别,也有助于缓解冷启动,提高推荐准确性。充分利用社会关系信任数据,对已有的矩阵分解过滤模型中的用户隐因子进行修正。
Description
技术领域
本发明涉及网络社交关系知识图谱和数据挖掘技术领域,更具体的说是涉及一种耦合社会信任信息的矩阵分解协同过滤方法和系统。
背景技术
虽然协同过滤推荐系统已经在学术界广泛应用,并在Amazon和ebay等公司得到应用,但大多数技术都有一些固有的弱点。众所周知的一个问题是冷启动和数据稀疏性。商用推荐系统可用评分的密度一般小于1%,传统的推荐算法,不能提供很好的推荐性能,尤其是纯粹挖掘用户物品评分矩阵的协同过滤推荐,甚至根本无法处理只对少量物品进行评分的用户。
近十年来,社会网络得到了前所未有的发展,为提高推荐性能、解决用户端稀疏性及冷启动问题提供了契机。在社会网络中,用户可以在其中创建并分享内容、标注内容、评分评论、加入社区、与朋友联接,用户成了这些社会网络的核心。有了社会网络,可以在不侵犯隐私的情况下轻易取得其中的朋友信任关系,并可以把社会网络中的兴趣网络(Twitter)或熟人关系网(例如Facebook,LinkedIn等)作为用户偏好的来源。例如,由于社交兴趣,用户可能阅读某一特定主题的新闻;由于社会信任,用户可能喜欢其好友在Facebook上推荐的电影。现实生活中,由于稳定而持久的社会关系约束,人们更愿意与朋友分享个人意见,而且更信任朋友的建议,因此人们在购买产品或消费服务之前(如电影、音乐、书籍、事物等),常常向社交网络中的朋友寻求建议,并且其爱好很容易受朋友的影响。
基于社会网络的推荐方法,假定一个用户在社会网络中具有直接或间接的社会关系,这种方法通常采用用户的评分来推荐。社会评分网络是社会网络的一种。用户可以创建与其它用户的社交关系,也可以对一些物品进行评分。当用户之间共享大量相同的物品及评分信息,这个时候协同过滤最为有效,但对于解决冷启动问题,其效果就很差。冷启动用户是指新进入的用户,且只有几寥寥几个评分信息的情况。基于相似性的方法,它就不大可能找到类似的用户,因为冷启动用户只有几个评分。然后基于社会网络的推荐系统,就能处理这个问题。只要他在社会网络中跟其他人具有大量联系。
现有的社会推荐系统基本都是基于协同过滤的。在传统的协同过滤推荐系统分类的基础上,基于协同过滤的社会推荐系统可以分为两类:基于矩阵分解(MF)的社会推荐方法和基于邻域的社会推荐方法。基于矩阵分解的社会推荐方法,集成用户社会信任信息与用户-物品反馈历史信息(例如评分、点击、购买、收视率等)以提高传统矩阵分解推荐系统的准确性。基于邻域的社会推荐方法包括社会网络的遍历(Social Network Traversal,SNT)方法和最近邻(Nearest Neighbor,NN)方法。其中,SNT方法,对社交网络中的直接或间接链接的邻近用户进行遍历之后,为用户生成推荐。最近邻方法将传统的协同过滤邻域与社会邻居相结合,预测物品的评分或生成推荐物品列表。
目前,基于协同过滤的社会推荐系统存在以下几点问题:
1)没有充分利用社交网络中用户的信任信息来提升推荐性能;
2)推荐精度不高;
3)冷启动问题严重。
发明内容
本发明的目的在于提供一种耦合社会信任信息的矩阵分解协同过滤方法和系统,用于解决上述技术背景中描述的现有技术的不足之处,包括没有充分利用社交网络中用户的信任信息来提升推荐性能、推荐精度不高以及冷启动问题等问题。
为了实现上述目的,本发明采用以下技术方案:
一种耦合社会信任信息的矩阵分解协同过滤方法,包括:
构建社会信任知识图谱;
对所述社会信任知识图谱按信任关系和信任度量进行信任团划分;
构建耦合社会信任信息的矩阵分解协同过滤模型;
利用信任知识图谱的信任团信息及其他用户-物品交互信息(如评分信息)对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型。
进一步地,所述的构建社会信任知识图谱,包括但不限于:从通用的社交网络 (如微信、微博等)或/和特定领域(如电影推荐领域)采集用户、用户之间的信任等信息,从而构建社会信任知识图谱;
进一步地,所述的采集用户之间的信任信息,包括但不限于下列关系:信任/ 不信任关系、关注关系、朋友关系。
进一步地,所述的对所述社会信任知识图谱按信任关系和信任度量进行信任团划分,包括但不限于:信任团划分的定义、信任团检测;
进一步地,所述的信任团划分的定义的方法,包括但不限于:N-团(n-clique) 的定义、质量函数的定义、以及基于N-团(n-clique)和质量函数的信任团划分的定义;
进一步地,所述的信任团检测,包括但不限于:最优化方法、贪婪算法、模拟退火;
进一步地,所述的构建耦合社会信任信息的矩阵分解协同过滤模型,包括但不限于:矩阵分解协同过滤,用户和物品的隐特征因子初始化、采用用户之间的偏好相似度来对信任程度进行修正、采用信任团信息调整用户的隐因子;
进一步地,所述的矩阵分解协同过滤,包括但不限于:基于评分的矩阵分解协同过滤方法;
进一步地,所述的用户和物品的隐特征因子初始化,包括但不限于:随机初始化、零初始化、K-均值初始化和规范化切割(normalized-cut,Ncut)初始化、采用CAE从原始评分矩阵中提取特征来获得用户和物品的隐特征来做初始化;
进一步地,所述的采用信任团信息调整用户的隐因子,包括但不限于:利用信任团的相关信任度对用户之间隐因子的偏差来修正用户隐因子;
进一步地,所述的对信任程度进行修正,包括但不限于:采用用户之间的偏好相似度来对信任度进行修正,如用户间的隐因子向量的余弦相似度来对信任度进行修正;
进一步地,所述的利用信任知识图谱的信任团信息及其他用户-物品交互信息(如评分信息)对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型,其方法包括但不限于:对所述模型中的参数和超参数进行初始化、利用信任知识图谱的信任团划分及其相关信任度信息对模型进行训练。
本发明实施例提供的一种耦合社会信任信息的矩阵分解协同过滤系统,包括:
社会信任知识图谱构建模块,基于社交信任关系构建社会信任知识图谱;
信任团划分模块,对所述社会信任知识图谱按信任值进行做图的N-团划分;
耦合社会信任信息的矩阵分解协同过滤模型构建模块,在矩阵分解协同过滤模型基础上耦合社会信任信息;
耦合社会信任信息的矩阵分解协同过滤模型模训练模块,利用信任知识图谱的群组划分对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型。
本发明与现有技术相比具有的有益效果是:
1)本发明提供的耦合社会信任信息的矩阵分解协同过滤方法和系统充分利用社会关系信任数据,对已有的矩阵分解过滤模型中的用户隐因子进行修正,能提供更好的推荐覆盖率和精度。
2)本发明提供的耦合社会信任信息的矩阵分解协同过滤方法和系统,因利用社会关系信任,在缺乏用户与物品交互记录(如评分记录)的时候,因为可以通过信任关系隐式地推荐其朋友喜好的物品,所以够缓解系统的冷启动性能。
3)本发明提供的信任群组的检测算法,基于朋友之间的信任度量,而不是基于网络节点之间的可达性来识别,而且算法允许检测重叠的群组,也有助于缓解冷启动,提高推荐准确性。
附图说明
图1为本发明一种耦合社会信任信息的矩阵分解协同过滤方法的实施例1中的社会信任网络示意图。
图2为本发明一种耦合社会信任信息的矩阵分解协同过滤系统的实施例2中的系统架构图。
具体实施方式
下面结合实施例对本发明作进一步的描述,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域的普通技术人员在没有做出创造性劳动前提下所获得的其他所用实施例,都属于本发明的保护范围。
实施例1:本发明一种耦合社会信任信息的矩阵分解协同过滤方法,包括:
步骤一:构建社会信任知识图谱
从通用的社交网络(如微信、微博等)或/和特定领域(如电影推荐领域)采集用户及信任关系,从而构建社会信任知识图谱;
提取的信任任关系,包括:信任/不信任关系,关注关系,朋友关系等;
如图1所示为信任知识图谱示意图。
步骤二:对所述社会信任知识图谱按信任值进行信任团划分;
信任团划分包括:信任团的定义、信任团的检测算法;
1)信任团定义的示例:
(1)N-团定义(N-clique)的定义
给定一个网络G,N-团(N-clique)是一个最大子图,其中每对节点之间的最大距离不超过N,这里的距离是在原始网络中定义的,即:
(2)质量函数的定义
由质量函数来定义信任团划分的好坏,得分高的划分就是好的划分。然而,当一个划分是否优于另一个划分,取决于信任团的具体定义和所采用的质量函数。对于图的任何划分P,质量函数定义为:
这里Ci是划分P的第i个聚类,q(Ci)是划分中聚类Ci的质量函数。这里,划分的质量是由各个聚类质量的和来定义,所以质量函数Q是加性的。聚类的质量函数q(Ci)定义如下:
这里|P|是划分P中聚类的个数。Q(P)的最大值意味着同一个聚类中的用户之间的信任度要大于此聚类中的用户与其他聚类中用户之间的信任度。也就是说,同一个聚类中的用户的偏好更接近,而不同聚类中用户之间偏好差异更大。
(3)N-团划分的定义
一个N-团划分是一个信任网络的聚类,其中每个子图中每一对顶点之间的最大距离不大于 n。聚类应该保证全局质量函数Q(P)取得最大值。
2)信任团的划分的检测算法:
信任团的划分检测算法是一个NP问题。因此,可以采用最优化方法来近似,并可以结合了贪婪算法和/或模拟退火算法。贪婪算法总是在每个步骤中做出最好的选择,但这并不能保证算法达到全局最优解,所以可以再结合模拟退火算法来实现全局优化的概率化过程。通过将这两种方法结合起来,可以得到一种快速、概率的全局最优信任群组检测算法。
步骤三:构建耦合社会信任信息的矩阵分解协同过滤模型;
从隐语义上来理解,矩阵分解模型把用户对物品的偏好程度表示为评分其元素为ru,i为用户u对物品i的真实评分。采用梯度下降迭代算法把偏好程度分解成用户的口味Pu(用户隐特征向量),以及与用户口味对应的物品特征Qi(物品隐特征向量),但用户的口味Pu和物品特征Qi是通过已经观测到的评分数据得来,因此它们只是真实特征的近似。另外,可以根据用户的其他内容(如属性、社交等信息)分别得到用户口味增量ΔPu,然后据此修正用户的口味来更好地逼近用户的真实特征,也就是在算法迭代过程中不断采用 Pu=Pu+αΔPu,对用户的口味Pu进行更新。其中α,β∈[0,1]分别是Pu和ΔPu之间的权重参数。
Tu,v是相似性函数,不同的朋友具有各自的相似性。如果用户v与用户u非常相似,比方说Tu,v=0.90,那么用户v就对用户u的偏好特征的修正多一些。另一方面如果两个用户不相似,比如说Tu,v=0.1,那么对用户u的修正就少一些。
用矩阵[Tu,v]m×m来表示信任值矩阵。矩阵中的元素Tu,v表示社会关系中用户u对用户v的信任程度。Tu,v通常是非对称的。人们总是希望获得朋友的推荐,但是,对一个用户来说,来自他/她所信任的朋友的推荐,并不总是适合于他/她,因为他/她可能具有不同的偏好。所以用偏好相似度来对信任程度计算公式进行修正:
这里sim(u,s)表示是用户u和用户s之间的偏好相似度,可以通过计算他们的隐因子向量 Pu和Ps之间的cosine相似度来得到。trust(u,s)是用户u分配给用户s的信任值。
步骤四、利用信任知识图谱的信任团划分对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型。
对所述模型中的参数和超参数进行初始化、利用信任知识图谱的信任团划分及其相关信任度信息、用户-物品交互数据(如评分信息)对模型进行训练。
实施例2
如图2所示,是本发明一种耦合社会信任信息的矩阵分解协同过滤模型系统的系统架构图,包括:
本发明实施例提供的一种耦合社会信任信息的矩阵分解协同过滤系统,包括:
社会信任知识图谱构建模块,基于社交信任关系构建社会信任知识图谱;
信任团划分模块,对所述社会信任知识图谱按信任关系及信任度量进行信任团划分;
耦合社会信任信息的矩阵分解协同过滤模型构建模块,在矩阵分解协同过滤模型基础上耦合社会信任信息;
耦合社会信任信息的矩阵分解协同过滤模型模训练模块,利用信任知识图谱的群组划分对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型。
需要说明的是,本实施例中的各个单元是逻辑意义上的,在具体实施过程中,一个单元可拆分成多个单元,多个单元也可以合并成一个单元。
为了简明起见,此处对实施例的描述只包含本发明的部分实施例,而不是全部实施例。基于本发明的实施例,本领域技术人员在没有做出任何创造性劳动的前提下对实施例进行的修改和改进等,均包括在本发明的保护范围以内。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种耦合社会信任信息的矩阵分解协同过滤方法,包括以下步骤:
构建社会信任知识图谱;
对所述社会信任知识图谱按信任关系和信任度量进行信任团划分;
构建耦合社会信任信息的矩阵分解协同过滤模型;
利用信任知识图谱的信任团信息及其他用户-物品交互信息对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型;
对所述社会信任知识图谱按信任关系和信任度量进行信任团划分的方法,包括但不限于:信任团划分的定义、信任团检测;
信任团划分的定义的方法,包括但不限于:N-团的定义、质量函数的定义、以及基于N-团和质量函数的信任团划分的定义;
其中,质量函数的定义
由质量函数来定义信任团划分的好坏,得分高的划分就是好的划分;当一个划分是否优于另一个划分,取决于信任团的具体定义和所采用的质量函数;对于图的任何划分P,质量函数定义为:
这里Ci是划分P的第i个聚类,q(Ci)是划分中聚类Ci的质量函数;这里,划分的质量是由各个聚类质量的和来定义,所以质量函数Q是加性的;聚类的质量函数q(Ci)定义如下:
这里|P|是划分P中聚类的个数;Q(P)的最大值意味着同一个聚类中的用户之间的信任度要大于此聚类中的用户与其他聚类中用户之间的信任度;同一个聚类中的用户的偏好更接近,而不同聚类中用户之间偏好差异更大。
2.根据权利要求1所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,构建社会信任知识图谱的方法,包括:从通用的社交网络领域采集用户、用户之间的信任信息,从而构建社会信任知识图谱。
3.根据权利要求2所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,采集用户之间的信任信息的方法,包括但不限于:信任/不信任关系,关注关系,朋友关系。
4.根据权利要求1所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,信任团检测方法,包括但不限于:最优化方法、贪婪算法、模拟退火。
5.根据权利要求1所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,构建耦合社会信任信息的矩阵分解协同过滤模型的方法,包括但不限于:矩阵分解协同过滤,用户和物品的隐特征因子初始化、采用用户之间的偏好相似度来对信任程度进行修正、采用信任团信息调整用户的隐因子。
6.根据权利要求5所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,构建矩阵分解协同过滤的方法,包括但不限于:基于评分的矩阵分解协同过滤方法。
7.根据权利要求5所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,用户和物品的隐特征因子初始化方法,包括但不限于:随机初始化、零初始化、K-均值初始化和规范化切割初始化、采用CAE从原始评分矩阵中提取特征来获得用户和物品的隐特征来做初始化。
8.根据权利要求5所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,采用信任团信息调整用户的隐因子的方法,包括但不限于:利用信任团的相关信任度对用户之间隐因子的偏差来修正用户隐因子。
9.根据权利要求5所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,对信任程度进行修正的方法,包括但不限于:采用用户之间的偏好相似度来对信任度进行修正。
10.根据权利要求1所述的一种耦合社会信任信息的矩阵分解协同过滤方法,其特征在于,利用信任知识图谱的信任团划分对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型的方法,包括但不限于:对所述模型中的参数和超参数进行初始化、利用信任知识图谱的信任团划分及其相关信任度信息对模型进行训练。
11.一种耦合社会信任信息的矩阵分解协同过滤系统,其特征在于,包括:
社会信任知识图谱构建模块,基于社交信任关系构建社会信任知识图谱;
信任团划分模块,对所述社会信任知识图谱按信任关系和信任度量进行信任团划分;
耦合社会信任信息的矩阵分解协同过滤模型构建模块,在矩阵分解协同过滤模型基础上耦合社会信任信息;
耦合社会信任信息的矩阵分解协同过滤模型模训练模块,利用信任知识图谱的群组划分对耦合社会信任信息的矩阵分解协同过滤模型进行训练,得到耦合社会信任信息的矩阵分解协同过滤模型;
对所述社会信任知识图谱按信任关系和信任度量进行信任团划分的方法,包括但不限于:信任团划分的定义、信任团检测;
信任团划分的定义的方法,包括但不限于:N-团的定义、质量函数的定义、以及基于N-团和质量函数的信任团划分的定义;
其中,质量函数的定义
由质量函数来定义信任团划分的好坏,得分高的划分就是好的划分;当一个划分是否优于另一个划分,取决于信任团的具体定义和所采用的质量函数;对于图的任何划分P,质量函数定义为:
这里Ci是划分P的第i个聚类,q(Ci)是划分中聚类Ci的质量函数;这里,划分的质量是由各个聚类质量的和来定义,所以质量函数Q是加性的;聚类的质量函数q(Ci)定义如下:
这里|P|是划分P中聚类的个数;Q(P)的最大值意味着同一个聚类中的用户之间的信任度要大于此聚类中的用户与其他聚类中用户之间的信任度;同一个聚类中的用户的偏好更接近,而不同聚类中用户之间偏好差异更大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403396.6A CN112667885B (zh) | 2020-12-04 | 2020-12-04 | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403396.6A CN112667885B (zh) | 2020-12-04 | 2020-12-04 | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112667885A CN112667885A (zh) | 2021-04-16 |
CN112667885B true CN112667885B (zh) | 2022-08-16 |
Family
ID=75401013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011403396.6A Active CN112667885B (zh) | 2020-12-04 | 2020-12-04 | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112667885B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN109213951A (zh) * | 2018-06-07 | 2019-01-15 | 王瑞琴 | 一种基于信任计算和矩阵分解的推荐算法 |
CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
CN110362738A (zh) * | 2018-11-06 | 2019-10-22 | 杭州电子科技大学 | 一种基于深度学习的结合信任和影响力的个性化推荐方法 |
CN110955834A (zh) * | 2019-11-27 | 2020-04-03 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
CN111310051A (zh) * | 2019-12-13 | 2020-06-19 | 北京邮电大学 | 一种基于知识图谱的冷启动解决方法 |
CN111475724A (zh) * | 2020-04-01 | 2020-07-31 | 上海硕恩网络科技股份有限公司 | 一种基于用户相似度的随机游走社交网络事件推荐方法 |
CN111711614A (zh) * | 2020-05-27 | 2020-09-25 | 平安科技(深圳)有限公司 | 基于知识图谱的可疑用户验证方法、装置及计算机设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609533B (zh) * | 2012-02-15 | 2015-03-18 | 中国科学技术大学 | 一种基于核方法的协同过滤推荐系统及方法 |
CN103106600A (zh) * | 2012-11-15 | 2013-05-15 | 深圳中兴网信科技有限公司 | 商品信息推送系统和商品信息推送方法 |
CN103399858B (zh) * | 2013-07-01 | 2016-08-10 | 吉林大学 | 基于信任的社会化协同过滤推荐方法 |
CN103927347A (zh) * | 2014-04-01 | 2014-07-16 | 复旦大学 | 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法 |
US10325205B2 (en) * | 2014-06-09 | 2019-06-18 | Cognitive Scale, Inc. | Cognitive information processing system environment |
US9898552B2 (en) * | 2014-06-09 | 2018-02-20 | Wayblazer, Inc. | System for refining cognitive insights using travel-related cognitive graph vectors |
CN105893357A (zh) * | 2014-09-09 | 2016-08-24 | 上海常点数据服务股份有限公司 | 一种生产性服务的公众应用质量的量化模型方法 |
CN110910207A (zh) * | 2019-10-30 | 2020-03-24 | 苏宁云计算有限公司 | 一种提升商品推荐多样性的方法及系统 |
CN110955829B (zh) * | 2019-11-19 | 2023-05-23 | 江西财经大学 | 融合信任度和度量因子矩阵分解的兴趣点推荐方法及系统 |
CN111143672B (zh) * | 2019-12-16 | 2023-04-28 | 华南理工大学 | 基于知识图谱的专业特长学者推荐方法 |
CN111259233B (zh) * | 2020-01-06 | 2022-07-26 | 浙江工业大学 | 一种提高协同过滤模型稳定性的方法 |
CN111506830B (zh) * | 2020-04-09 | 2022-08-09 | 中南大学 | 融合社交信任影响力的协同过滤推荐算法 |
-
2020
- 2020-12-04 CN CN202011403396.6A patent/CN112667885B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317900A (zh) * | 2014-10-24 | 2015-01-28 | 重庆邮电大学 | 一种面向社交网络的多属性协同过滤推荐方法 |
CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
CN109213951A (zh) * | 2018-06-07 | 2019-01-15 | 王瑞琴 | 一种基于信任计算和矩阵分解的推荐算法 |
CN110362738A (zh) * | 2018-11-06 | 2019-10-22 | 杭州电子科技大学 | 一种基于深度学习的结合信任和影响力的个性化推荐方法 |
CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
CN110955834A (zh) * | 2019-11-27 | 2020-04-03 | 西北工业大学 | 一种知识图谱驱动的个性化精准推荐方法 |
CN111310051A (zh) * | 2019-12-13 | 2020-06-19 | 北京邮电大学 | 一种基于知识图谱的冷启动解决方法 |
CN111475724A (zh) * | 2020-04-01 | 2020-07-31 | 上海硕恩网络科技股份有限公司 | 一种基于用户相似度的随机游走社交网络事件推荐方法 |
CN111711614A (zh) * | 2020-05-27 | 2020-09-25 | 平安科技(深圳)有限公司 | 基于知识图谱的可疑用户验证方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
融合知识图谱表示学习和矩阵分解的推荐算法;陈平华等;《计算机工程与设计》;20181016;第3137-3142页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112667885A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Contextual bandits in a collaborative environment | |
CN106802956B (zh) | 一种基于加权异构信息网络的电影推荐方法 | |
Almazro et al. | A survey paper on recommender systems | |
KR20050043917A (ko) | 통계적 개인화된 추천 시스템 | |
US11636394B2 (en) | Differentiable user-item co-clustering | |
Chen et al. | A context-aware recommendation approach based on feature selection | |
Liu et al. | An Entity-Association-Based Matrix Factorization Recommendation Algorithm. | |
CN115391576A (zh) | 一种基于聚类的联邦图学习方法及系统 | |
CN112380433A (zh) | 面向冷启动用户的推荐元学习方法 | |
Wu et al. | A new similarity computation method in collaborative filtering based recommendation system | |
Liu et al. | P3OI-MELSH: Privacy protection target point of interest recommendation algorithm based on multi-exploring locality sensitive hashing | |
Lee et al. | Trustor clustering with an improved recommender system based on social relationships | |
Gupta et al. | A framework for a recommendation system based on collaborative filtering and demographics | |
US20130138662A1 (en) | Method for assigning user-centric ranks to database entries within the context of social networking | |
CN109857928B (zh) | 基于多元信用评估的用户偏好预测方法 | |
Rahim et al. | An efficient recommender system algorithm using trust data | |
Sunandana et al. | Movie recommendation system using enhanced content-based filtering algorithm based on user demographic data | |
CN110795640B (zh) | 一种弥补群组成员差异的自适应组推荐方法 | |
CN112667885B (zh) | 一种耦合社会信任信息的矩阵分解协同过滤方法和系统 | |
Deng et al. | A Trust-aware Neural Collaborative Filtering for Elearning Recommendation. | |
Cui et al. | DMFA-SR: Deeper membership and friendship awareness for social recommendation | |
Wang et al. | Group recommender systems based on members’ preference for trusted social networks | |
Dixit et al. | Proposed similarity measure using Bhattacharyya coefficient for context aware recommender system | |
Zou et al. | Online group recommendation with local optimization | |
Li et al. | Novel multidimensional collaborative filtering algorithm based on improved item rating prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |