融合社交信息的矩阵分解推荐方法研究综述
作者:
作者单位:

作者简介:

刘华锋(1994-),男,江西赣州人,博士生,CCF学生会员,主要研究领域为机器学习,智能推荐;于剑(1969-),男,博士,教授,博士生导师,CCF杰出会员,主要研究领域为机器学习,图像处理,模式识别;景丽萍(1978-),女,博士,教授,博士生导师,CCF专业会员,主要研究领域为机器学习及其应用.

通讯作者:

景丽萍,E-mail:lpjing@bjtu.edu.cn

基金项目:

国家自然科学基金(61370129,61375062,61632004)


Survey of Matrix Factorization Based Recommendation Methods by Integrating Social Information
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (61370129, 61375062, 61632004)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    随着社交网络的发展,融合社交信息的推荐成为推荐领域中的一个研究热点.基于矩阵分解的协同过滤推荐方法(简称矩阵分解推荐方法)因其算法可扩展性好及灵活性高等诸多特点,成为研究人员在其基础之上进行社交推荐模型构建的重要原因.围绕基于矩阵分解的社交推荐模型,依据模型的构建方式对社交推荐模型进行综述.在实际数据上,对已有代表性社交推荐方法进行对比,分析各种典型社交推荐模型在不同视角下的性能(如整体用户、冷启动用户、长尾物品).最后,分析了基于矩阵分解的社交推荐模型及其求解算法存在的问题,并对未来研究方向与发展趋势进行展望.

    Abstract:

    With the increasing of social network, social recommendation becomes hot research topic in recommendation systems. Matrix factorization based (MF-based) recommendation model gradually becomes the key component of social recommendation due to its high expansibility and flexibility. Thus, this paper focuses on MF-based social recommendation methods. Firstly, it reviews the existing social recommendation models according to the model construction strategies. Next, it conducts a series of experiments on real-world datasets to demonstrate the performance of different social recommendation methods from three perspectives including whole-users, cold start-users, and long-tail items. Finally, the paper analyzes the problems of MF-based social recommendation model, and discusses the possible future research directions and development trends in this research area.

    参考文献
    相似文献
    引证文献
引用本文

刘华锋,景丽萍,于剑.融合社交信息的矩阵分解推荐方法研究综述.软件学报,2018,29(2):340-362

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
历史
  • 收稿日期:2017-06-20
  • 最后修改日期:2017-07-25
  • 录用日期:
  • 在线发布日期: 2017-10-09
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号