近年来,推荐系统越来越受到人们的关注,按照应用场景主要分为评分预测和Top-K推荐.考虑到传统评分推荐系统和Top-K排序推荐系统只考虑用户和项目的二元评分信息,具有一定的局限性,因此扩展了一种基于列表排序学习的矩阵分解方法.一方面,充分考虑用户之间关注关系.首先通过用户之间的关注关系计算用户之间的信任度,接着通过用户之间的信任度在原始模型的损失函数中添加用户社交约束项,使相互信任的用户偏好向量尽可能接近.另一方面,计算项目所拥有标签的权重,并以此计算项目之间的标签相似度,再将项目的标签约束项添

基于矩阵分解的社会化推荐模型

协同过滤算法的基本思想是利用兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息． 目前大部分算法对.于相似用户的分析都是基于用户的显式偏好，没有对用户的隐含偏好进行分析与利用． 用户的偏好不仅仅体现在对产品种类的.喜好上，对于产品各个属性的喜好程度、评分偏好和由偏好相似而建立的信任关系等，都反映了用户在交互时所隐含的偏好． 本.文提出了一种融合用户隐含偏好的社会化推荐算法:通过对评分矩阵进行分解得到用户和产品的潜在特征向量，利用用户的潜.在特征向量进行用户隐含属性偏好相似度的计算;为了缓解