典型文献
融合评论文本和社交网络的矩阵分解推荐方法
文献摘要：
基于矩阵分解的推荐方法易受到数据稀疏性问题的影响,常见的解决办法是向矩阵分解模型中融入评论文本信息,但是这类方法通常假设用户是独立存在的,忽略了用户之间的社交关系.现实世界中用户的行为与喜好往往会受到其信任好友的影响,因此本文提出一种融合评论文本和社交网络的矩阵分解推荐方法(Review and social probabilistic matrix factorization,RSPMF).首先设计了深度神经网络模型用于学习评论文本的上下文特征;其次,设计了信任传播模型用于根据社交好友的特征修正用户的潜在隐特征;最后将上述两种模型以正则化方式融入概率矩阵分解模型,通过训练模型获取用户与物品之间的内在关系并实现物品推荐.在公开的真实数据集Yelp上进行了实验,并与多种前沿的算法进行了性能对比,结果表明本文提出的RSPMF方法具有良好的推荐性能.
文献关键词：
推荐系统;深度神经网络;矩阵分解;社交网络;信任传播
中图分类号：
作者姓名：
马宁;付伟;季伟东;丁云鸿;朱海龙;严武尉;李超;杨耀
作者机构：
哈尔滨师范大学 计算机科学与信息工程学院,哈尔滨150025
文献出处：
引用格式：
[1]马宁;付伟;季伟东;丁云鸿;朱海龙;严武尉;李超;杨耀-.融合评论文本和社交网络的矩阵分解推荐方法)[J].小型微型计算机系统,2022(02):312-319
A类：
RSPMF
B类：
评论文本,社交网络,推荐方法,数据稀疏性,解决办法,分解模型,文本信息,社交关系,现实世界,喜好,好友,Review,social,probabilistic,matrix,factorization,深度神经网络模型,上下文特征,信任传播,传播模型,交好,特征修正,正用,正则化,概率矩阵分解,训练模型,取用,内在关系,真实数据,Yelp,性能对比,推荐性,推荐系统
AB值：
0.378876
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
