基于SVD++隐语义模型的信任网络推荐算法

陈佩武，束方兴

1. 平安科技（深圳）有限公司，广东 深圳 518031；2. 北京大学互联网研究院（深圳），广东 深圳 518055

1 引言

随着互联网技术的全面发展，海量数据得以产生，推动人类社会从信息匮乏的时代走入了信息过载的时代。作为解决信息过载问题的利器，推荐系统受到各大互联网公司以及研究机构的青睐。作为推荐系统的核心，推荐算法成为研究的关键和热点。然而传统的推荐算法（如协同过滤（collaborative filtering，CF）算法）存在评分数据库的数据稀疏性和用户偏好信息数据有限等问题，即推荐系统的数据稀疏和冷启动问题。以上问题会制约推荐系统的推荐效果，破坏用户体验。为了缓解数据稀疏和冷启动问题，通常会在推荐系统中引入新维度的数据。然而近年来，社交网络的快速发展给推荐算法的研究带来了新的推动力[1]。在社交网络中，用户不但会展示自己的个性和偏好，还会与偏好类似、相互信任的其他用户构建联系。因此如何进一步在社交网络的研究中利用社会化信息进行信任构建，提升推荐算法的有效性，成为一个重要的研究课题。

隐语义模型（latent factor model，LFM）最早是在文本挖掘邻域被提出的，其主要被用来寻找文本中的隐含语义。虽然学术界已经提出了多个基于隐语义模型改进的推荐算法，但是信任网络中还少有以隐语义模型为基础进行改进的推荐算法[2]，且效果并不理想。为了优化推荐算法的效果，本文采用以隐语义模型为基础，与其他模型融合的思路进行推荐算法设计。……