论文部分内容阅读
基于矩阵分解的推荐算法普遍存在数据稀疏性、冷启动和抗攻击能力差等问题．针对上述问题，文中提出信任加强的矩阵分解推荐算法．首先，借鉴社会心理学中的信任产生原理，提出基于用户信誉度的信任扩展方法，缓解信任数据的稀疏性问题．然后，基于社交闻质化原理，利用信任用户对评分矩阵分解过程中的用户潜在因子向量进行扩展，解决评分数据的稀疏性和新用户的冷启动问题．同时，利用信任关系对目标优化函数进行规格化约束，提高评分预测的准确性．基于通用测试数据集Epinions的实验表明，文中方法在推荐性能方面具有明显改善，可以有效解决