於跃成,谷 雨,左华煜,李 慧
(江苏科技大学 计算机学院,镇江 212100)
随着社交网络的出现,在线社交对人们生活所产生的影响越来越大.而如今微博、Twitter和豆瓣等社交媒体的迅速发展,使得网络逐渐成为人们获取和发布信息的主要途径,这些庞大的用户群体的活跃网络行为,产生了大量可用的社交信息,为分析社交网络提供了大量可用的数据.社会推荐已成为人们从海量信息中快速准确地获取可用信息的有效方法,其中基于矩阵分解的协同过滤算法则是近年来最流行的社会推荐算法之一.作为一类个性化推荐方法,社会推荐方法虽然具有较高的推荐准确性,良好的可伸缩性和较高的灵活性,但是社会推荐中使用的用户评价矩阵仍然具有数据稀疏和分布不均的特点,同样需要面对新用户数据稀疏,冷启动和长尾等问题[1].如何更好地表示和利用稀疏且不平衡的用户信息成为改善社交推荐的主要途径之一.
在现代电子商务和社交网络中,大多数的网站都为用户提供了产品评论和社交网络结构,使在线评论、评分和关注关系的可用性不断提高,而融合社交关系以及用户反馈信息的推荐系统则变得越来越实用[2-3].然而,用户评分或反馈过的项目数远远小于项目总数,用户评分矩阵和反馈矩阵的数据都面临着数据稀疏的问题,而反馈矩阵的稀疏性则更为突出.现实生活中,人们的选择日益趋于理性,不再会因为某……