郭 磊,余文森,吴清寿

(1. 武夷学院数学与计算机学院,福建 武夷山 354300；2. 福建省认知计算与智能信息处理重点实验室,福建 武夷山 354300)

1 引言

互联网的发展极大的提高了人们获取信息、交互信息的效率,但也出现了严重的信息过载的问题。推荐算法为人们高效的获取所需网络信息提供了有效的解决方法而受到广泛关注[1-3]。传统的推荐技术主要包含基于内容的推荐技术[4]和协同过滤推荐技术[5],但这些技术主要针对单个用户行为做分析,解决数据稀疏和冷启动的问题效果有限。

近年来,一些学者利用社交网络中用户之间的信任关系作为重要依据进行推荐[6],希望能解决推荐系统中数据稀疏的问题,也取得了一定的成果。Ma等人提出融入信任网络结构和用户-项目评分的SoRec[7]; Jamal对SoRec进行补充,提出了SocialMF[8]；郭磊、马军等在信任关系的基础上,加上兴趣偏好,并通过共享特征空间建模,提出了StrengthMF[9],赵海燕等人[10]定义了基于信任出入度的三种信任度量方法,并将其融入社交推荐模型中,取得了较好的推荐效果。但这些算法只是依据项目评分矩阵或者关注、被关注关系计算用户信任,局限性明显。

为了进一步提升推荐算法性能,部分学者研究通过社交网络中的辅助信息,如用户行为、标签等分析用户信任。如Tang[11]等将用户决策过程中受好友影响的因素考虑其中,提出了著名的LOCABAL算法；余永红等[12]研究不同领域的的社交信任关系与社交地位,提出了一种融合用户社会地位信息的矩阵分解推荐算法；……