基于社会网络分析的电影推荐系统的设计与实现

这是一篇关于社会网络,推荐系统,社区划分,注意力模型的论文, 主要内容为在互联网高速发展的时代,电影数据资源呈指数级增长。当面临海量的电影信息时,用户通常很难快速准确地找到他们需要的信息,这导致用户需求得不到满足以及电影资源使用率不高。个性化推荐算法能够帮助用户找到有价值的信息,它通过用户的历史信息以及其他辅助信息对用户进行推荐。当前对于推荐算法的研究取得了一定的进展,然而,算法的推荐性能仍有改进的空间。随着社交媒体的发展,用户之间会产生信任、关注等交互关系。由于传统的协同过滤推荐算法的不足,本文基于社会网络的社区划分和社交影响力在推荐中的作用,并利用在经典电影数据集上进行实验,证明了算法的有效性。本文主要研究内容如下:(1)提出一种基于社区划分的推荐算法。首先,在传统的相似度计算方法上加入用户共同评价项目数量来计算用户间的相似度;其次,利用用户评分数据计算用户之间的直接信任度,通过直接信任的传播得到间接信任;然后,将相似度与信任度结合构建用户关系矩阵,随后根据用户关系矩阵构建用户网络,利用改进的Louvain算法对用户网络进行社区划分,再通过社区划分的结果生成最近邻居集合;最后,对尚未评分的项目做出评分预测,生成推荐列表。实验结果证明了该算法的有效性和精确性。(2)提出一种基于注意力模型的社会化推荐算法。首先,利用降噪自编码器建模用户、项目属性和社交信息,并得到三者的低维向量化表示;其次,计算用户与其所有的社交邻居的社交影响力;然后,通过注意力模型生成用户的社交上下文信息,为用户选择有影响力的社交邻居;最后,得到用户对项目的评分,从评分列表中向目标用户推荐其可能感兴趣的项目。与基准模型对比并分析参数来验证模型的有效性。(3)完成基于社会网络分析的电影推荐系统。系统基于B/S的设计模式,从用户需求出发,实现了电影推荐相关的功能模块。系统的实现解决了电影资源过载的问题,为用户选择电影提供了便利。综上所述,本文提出的算法在电影数据集上能够有效缓解数据稀疏问题,提升推荐效果,同时电影推荐系统能够为用户找到其可能感兴趣的电影,节省用户搜索时间。

基于文本情感分析的个性化推荐系统的研究

这是一篇关于个性化推荐,情感分类,语义分析,协同过滤,社区划分的论文, 主要内容为计算机科学的发展带给人们便捷可靠的生活,随着世界进入全球化互联网时代,越来越多的互联网应用被发现和使用,改变了人们现有的生活方式。推荐系统的出现与互联网商务的兴起息息相关,个性化推荐的不断研究,推动了用户人物画像和信息定向推送的发展,其影响力不亚于传播媒体的一次革命。本文分析和研究了互联网推荐系统的现状和涉及的领域,概述了常用的协同推荐系统中的关键技术和方法。为了满足推荐系统对用户行为进行深度挖掘的需要,本文提出了一种基于语义的情感分析方法。首先,利用基于语义识别和N-gram模型的特征提取方法,训练SVM分类模型来区分陈述、疑问和否定语境。然后,检索SentiWordNet数据库对不同语境下情感词所表现的词性和释义来构建出情感词典。最后,根据主题词和前后文联系确定转义关系和情感程度关系,通过加权平均的方法对文本情感倾向进行判别。由于推荐系统庞大的数据量,导致用户相似度矩阵过于复杂,从而在系统更新推荐表单时需要进行大量的计算。社区划分可以很好地解决这个问题,利用信息熵来描述用户评论数据,根据平均熵和熵增量的临界值来对用户和商品进行社区划分。协同过滤的目标用户根据社区内用户之间的相似度,计算出K个最相似的用户,通过这K个用户最感兴趣的物品类别,对这些分类中的物品进行推荐。本文所设计的推荐系统采用B/S模式和Web-Service技术,使系统能够进行跨平台的交互性操作,组织架构分为五层,包括数据通道层、数据管理层、数据存储层、分析应用层和推荐展示层。系统分层渐进支撑扩展,保证了扩展能力和极强的柔韧性。通过测试,本文所设计的推荐系统具有精确的用户分析能力和良好的实时运行能力,能够稳定地完成互联网个性化推荐的工作。

面向科技成果转化的区域社区系统的设计与实现

这是一篇关于基于事件社会网络,异构社会网络,社区划分,标签传播算法的论文, 主要内容为科技成果转化是帮助高校科技成果落地的重要举措,对促进区域产业技术升级也具有重要意义。目前,参与成果转化的高校和企业存在科技成果与技术需求信息不对称的问题,地方政府和中介机构会合作推出一些科转活动,帮助意向人了解项目申报流程和区域政策信息,促进双方交流沟通,推进成果转化进程。但现阶段的活动推介方式效率低下,也无法满足日益增长的科转活动需求。因此,构建一个面向区域成果转化的线上社区可以促进多方的交流沟通,提高科转活动推介效率,具有重要的应用价值。本文设计并实现了面向科技成果转化的区域社区系统,为参与成果转化的各方用户提供一个交流沟通、组织参与科转活动的线上平台,并在平台运营初期提供用户推荐工具,旨在解决平台筛选活动用户时面对的信息过载问题。系统首先根据业务需求设计并搭建了一个专题性线上社区;其次,利用目标群体的专利合著数据和历史活动数据构建异构社会网络,采用社区划分的方法将目标群体划分出不同的社团,并构建检索器以社团为单位实现用户推荐功能。本文主要工作如下:(1)设计并构建了面向科技成果转化的异构社会网络。本文设计网络爬虫采集目标企业和高校的专利数据,提取专利合著关系信息,并结合国际专利分类表和历史活动数据,设计并构建一个包含不同节点和多种社交关系的异构社会网络,为后续数据挖掘工作奠定基础。(2)设计并实现活动用户推荐功能。本文提出了一种将节点相似性、节点重要度和社区划分结合的用户推荐方案,该方案首先采用Metapath2vec算法计算网络中不同元路径下的节点相似性再基于边类型概率融合得到最终节点相似性;引入节点相似性改进Leader Rank算法对节点重要度排序;融合节点相似性和重要度改进SLPA算法对异构社会网络进行社区划分;最后计算检索内容与目标社团的相似度,实现用户推荐功能。(3)设计并实现面向科技成果转化的区域社区系统。本文采用开源框架Node BB搭建线上社区,并使用Express框架开发Node BB插件集成在社区中丰富社区功能,包括中文搜索引擎、社区管理、邮件配置和活动用户推荐等。最后对系统进行了功能性测试和非功能性测试,保证了系统的可用性和可靠性。

基于用户行为和音频特征的音乐推荐系统研究与实现

这是一篇关于音乐推荐系统,社区划分,Spark,深度学习,Relation Network模型的论文, 主要内容为随着大数据、5G时代到来,互联网上数据量不断增长,数据过载问题越来越严重。近几年来,大数据、人工智能技术不断发展,推荐系统作为解决数据过载问题的有效方法已经被应用于新闻网站、短视频平台、在线音乐等行业。针对音乐推荐领域,工作者做了大量的研究,但是先前的方法存在实时性较差、无法实现个性化推荐以及存在“冷启动”等问题。针对传统的音乐推荐系统中的不足,本文进行一些改进和探索,参考传统的音乐推荐方法,提出了一种结合用户行为与音乐音频的个性化推荐方法,从而精确地为用户提供感兴趣的音乐。本文的主要包括以下工作:(1)首先,对数据集进行处理。将数据集划分为稀疏程度不同的两个子集。将收听次数、点赞、收藏等隐式评分转化为0-15的显式评分,然后使用相关工具对音乐音频特征进行提取。(2)其次,提出了一种基于用户社区的组推荐算法。首先构建用户-音乐二分网络,结合用户历史收听数据以及用户信息计算兴趣偏好度,对其进行社区划分,相同音乐偏好的用户被划分到同一社区。对于用户u’,确定用户所在社区,通过基于社区cu’的协同过滤模型,可以计算出用户u’偏好得分,从而推荐得分最高的Top-N音乐。本文还在Spark计算平台实现了基于用户社区的组推荐算法,提升了推荐效率。(3)然后,将Relation-Learning的思想引入音乐推荐系统,将Relation模型应用于音乐推荐。使用自编码器对用户特征与音乐音频特征进行编码,提取其高阶特征。在音乐编码过程中,将用户特征与音频特征输入到Multi-Head Attention模块,将两种特征进行结合,在编码阶段实现音乐个性化编码。将用户对于已评分歌曲的特征和目标未评分歌曲的特征进行组合,在Relation模块计算出两者之间的兴趣相似度向量y和已评分歌曲的特征与目标未评分歌曲特征之间相似度x,对两种评分求平均数后得到用户对音乐感兴趣程度。在实验中采用准确率和召回率等评价指标,验证了该模型在音乐推荐方向的有效性。(4)最后,实现了基于用户行为与音乐音频的推荐系统。系统后端使用Python语言得到推荐列表,前端采用Java Web相关技术实现了用户行为记录模块、推荐模块等,通过一个微信小程序对两种方法产生的推荐结果进行了展示。

基于聚类的协同过滤算法及民航附加服务推荐研究

这是一篇关于协同过滤,聚类,社区划分,出行偏好,推荐,民航附加服务的论文, 主要内容为互联网的迅速发展和广泛普及使得网民迅速增多,因此对于电商而言,为了能在激烈的竞争中处于不败之地,必须发展个性化的电子商务推荐系统。在推荐系统中,协同过滤是应用最成熟的一种方法。但是随着推荐系统中有效用户和商品的不断增加,推荐系统面临了严峻的挑战,协同过滤推荐中出现了稀疏性、冷启动、实时性等问题。针对协同过滤推荐方法中存在的这些问题,本文结合近几年来较为流行的聚类方法提出了两种推荐算法。一种是基于混合聚类的协同过滤改进算法。该算法主要针对原算法推荐准确度不高的问题提出改进策略,在相似度计算时加入近邻项目,并引入平衡因子α调节其在相似度计算中的比重。同时在该算法中还提出用户归属度的概念和表示方法,实现对高维用户-项目评分矩阵的降维。通过在标准的movielens电影评分数据集上进行实验发现改进后的算法在推荐准确度上有所提高。另一种是基于网络划分的协同过滤算法。针对传统的协同过滤算法推荐准确度不高且系统扩展能力差等问题,该算法考虑了用户的社会关系,构建用户关系网,并提出用户关系相似度。该算法将Louvian社区划分算法与协同过滤算法进行融合,在Last.fm数据集上进行实验,实验结果表明在近邻数小于27时,该算法得到的推荐准确度要明显高于传统的推荐算法。最后将两种算法应用于民航旅客附加服务中的订票服务中,分析旅客对于航空公司、机票折扣、出行时间及舱位的偏好模型,并针对其偏好进行个性化的机票推荐。

基于社区矩阵的概率矩阵分解推荐算法研究

这是一篇关于推荐算法,概率矩阵分解,社区划分,社区矩阵的论文, 主要内容为大数据时代下互联网信息量爆炸式增长,用户难以从大数据中检索到个人所需要的资源,这样的信息过载问题无法避免。推荐系统能有效解决信息过载问题,推荐算法是推荐系统的核心部分,研究推荐算法对于提高推荐系统性能、扩展推荐系统功能很有意义。概率矩阵分解算法,作为协同过滤算法之一,其优秀特性在业界有很深远的影响,但同样的,该算法会受到冷启动问题的影响。为提高算法的推荐准确性,并解决冷启动问题,论文考虑用户社交关系,从用户集群协作的角度出发,使用社区处理用户社交信息,将社区与概率矩阵分解相结合,提出基于社区矩阵的概率矩阵分解推荐算法(CPMF算法,A Probability Matrix Factorization Recommendation Algorithm based on Community Matrix)。为使用户的整体集群程度最好,论文提出基于模块度的SLPA社区划分算法,该算法将用户社交信息构成的社交网络划分,输出模块度最大的目标社区。根据用户和社区的从属关系,论文定义社区矩阵,以社区矩阵的形式描述用户社交信息。论文CPMF算法融合社区矩阵和用户评分信息构成的用户评分矩阵,经概率矩阵分解推导得到用户、项目、用户社区、社区等隐式特征向量,考虑到用户社区特征对用户特征的影响,定义社区调节参数,联合推导,得到含特征向量的CPMF算法的目标函数。为使预测评分接近实际评分,论文采用随机梯度下降法求解目标函数最小值,相关的隐式特征向量经迭代学习优化至最优解,通过用户隐式特征向量和项目隐式特征向量的乘积得到预测评分结果。为保证实验结果的一般性,论文实验选用Last.FM和Epinions这两个公开数据集,选取PMF、SoRec、TrustMF、TrustPMF等推荐算法作为比较对象,以平均绝对误差和均方根误差为评估指标来衡量算法的推荐性能。通过两数据集上的综合性实验,证明了论文CPMF算法有很好的推荐准确性,在冷启动问题上也有好的性能表现,在均方根误差上的优势表现得更加明显,这些都归功于算法使用了社区内用户的集群协作推荐优势。

基于社会网络分析的电影推荐系统的设计与实现

这是一篇关于社会网络,推荐系统,社区划分,注意力模型的论文, 主要内容为在互联网高速发展的时代,电影数据资源呈指数级增长。当面临海量的电影信息时,用户通常很难快速准确地找到他们需要的信息,这导致用户需求得不到满足以及电影资源使用率不高。个性化推荐算法能够帮助用户找到有价值的信息,它通过用户的历史信息以及其他辅助信息对用户进行推荐。当前对于推荐算法的研究取得了一定的进展,然而,算法的推荐性能仍有改进的空间。随着社交媒体的发展,用户之间会产生信任、关注等交互关系。由于传统的协同过滤推荐算法的不足,本文基于社会网络的社区划分和社交影响力在推荐中的作用,并利用在经典电影数据集上进行实验,证明了算法的有效性。本文主要研究内容如下:(1)提出一种基于社区划分的推荐算法。首先,在传统的相似度计算方法上加入用户共同评价项目数量来计算用户间的相似度;其次,利用用户评分数据计算用户之间的直接信任度,通过直接信任的传播得到间接信任;然后,将相似度与信任度结合构建用户关系矩阵,随后根据用户关系矩阵构建用户网络,利用改进的Louvain算法对用户网络进行社区划分,再通过社区划分的结果生成最近邻居集合;最后,对尚未评分的项目做出评分预测,生成推荐列表。实验结果证明了该算法的有效性和精确性。(2)提出一种基于注意力模型的社会化推荐算法。首先,利用降噪自编码器建模用户、项目属性和社交信息,并得到三者的低维向量化表示;其次,计算用户与其所有的社交邻居的社交影响力;然后,通过注意力模型生成用户的社交上下文信息,为用户选择有影响力的社交邻居;最后,得到用户对项目的评分,从评分列表中向目标用户推荐其可能感兴趣的项目。与基准模型对比并分析参数来验证模型的有效性。(3)完成基于社会网络分析的电影推荐系统。系统基于B/S的设计模式,从用户需求出发,实现了电影推荐相关的功能模块。系统的实现解决了电影资源过载的问题,为用户选择电影提供了便利。综上所述,本文提出的算法在电影数据集上能够有效缓解数据稀疏问题,提升推荐效果,同时电影推荐系统能够为用户找到其可能感兴趣的电影,节省用户搜索时间。

面向科技成果转化的区域社区系统的设计与实现

这是一篇关于基于事件社会网络,异构社会网络,社区划分,标签传播算法的论文, 主要内容为科技成果转化是帮助高校科技成果落地的重要举措,对促进区域产业技术升级也具有重要意义。目前,参与成果转化的高校和企业存在科技成果与技术需求信息不对称的问题,地方政府和中介机构会合作推出一些科转活动,帮助意向人了解项目申报流程和区域政策信息,促进双方交流沟通,推进成果转化进程。但现阶段的活动推介方式效率低下,也无法满足日益增长的科转活动需求。因此,构建一个面向区域成果转化的线上社区可以促进多方的交流沟通,提高科转活动推介效率,具有重要的应用价值。本文设计并实现了面向科技成果转化的区域社区系统,为参与成果转化的各方用户提供一个交流沟通、组织参与科转活动的线上平台,并在平台运营初期提供用户推荐工具,旨在解决平台筛选活动用户时面对的信息过载问题。系统首先根据业务需求设计并搭建了一个专题性线上社区;其次,利用目标群体的专利合著数据和历史活动数据构建异构社会网络,采用社区划分的方法将目标群体划分出不同的社团,并构建检索器以社团为单位实现用户推荐功能。本文主要工作如下:(1)设计并构建了面向科技成果转化的异构社会网络。本文设计网络爬虫采集目标企业和高校的专利数据,提取专利合著关系信息,并结合国际专利分类表和历史活动数据,设计并构建一个包含不同节点和多种社交关系的异构社会网络,为后续数据挖掘工作奠定基础。(2)设计并实现活动用户推荐功能。本文提出了一种将节点相似性、节点重要度和社区划分结合的用户推荐方案,该方案首先采用Metapath2vec算法计算网络中不同元路径下的节点相似性再基于边类型概率融合得到最终节点相似性;引入节点相似性改进Leader Rank算法对节点重要度排序;融合节点相似性和重要度改进SLPA算法对异构社会网络进行社区划分;最后计算检索内容与目标社团的相似度,实现用户推荐功能。(3)设计并实现面向科技成果转化的区域社区系统。本文采用开源框架Node BB搭建线上社区,并使用Express框架开发Node BB插件集成在社区中丰富社区功能,包括中文搜索引擎、社区管理、邮件配置和活动用户推荐等。最后对系统进行了功能性测试和非功能性测试,保证了系统的可用性和可靠性。

基于知识图谱的科研社交网络分析与应用

这是一篇关于知识图谱,复杂网络,社区划分,节点重要性,连接预测的论文, 主要内容为在高校科研中,以专著、论文、项目等形式涌现出大量科研成果,高效的成果管理在各方各面,对于基础科学研究的发展都具有重要意义。而对于科研人员合作网络的研究在高校科研成果管理中占据了非常重要的方面,不仅可以帮助使用者了解科研人员的整体发展趋势,还可以帮助科研成果管理系统进行学术科研上的决策以及资源分配。因此,本文针对高校科研人员合作网络构建还不完善这一现象,提出了一种符合院校实际情况的科研人员合作网络构建方法,并加以应用。本文通过多模数据融合的方式,结合知识图谱和复杂网络的相关算法,以及My SQL,Redis等数据库中存储的历年数据,完成了基于知识图谱和复杂网络的科研成果系统科研人员合作关系部分的开发与实现。本文的主要工作如下所示:1.本文在现有算法的基础上,提出了一种基于高校科研人员的实际科研成果价值,并依据时间指数平滑构建成的符合高校实际情况科研人员合作网络模型的方法;2.本文在构建的科研人员合作网络的基础上,利用不同算法实现了对本院校的科研工作者的社区进行划分,并进行社区划分的结果评估;对复杂网络中科研工作者在复杂网络中的重要性进行评估;在链路预测中,本文提出了一种利用相似度矩阵与科研人员合作网络邻接矩阵相融合的方法,可以用来给用户进行推荐,或者对于过去科研人员缺失的合作关系进行补全;3.最后,为了提高整体处理流程的效率,将复杂网络以图谱的形式存储在图形数据库Neo4j中,后端代码将其打包并发布在Tars框架下,前端用vue3.0+d3,设计了具有可视化界面的系统平台,并可以显示各科研工作者的个人信息以及不同合作关系。本文结合知识图谱和复杂网络的科研成果系统科研人员合作关系部分,所设计的系统集成度较好,易于维护人员对于服务的监管,可视化程度较高,平台兼容性好,可拓展性也比较高,为后续关于合作关系的进一步研究打下了基础。

基于社会网络分析的电影推荐系统的设计与实现

这是一篇关于社会网络,推荐系统,社区划分,注意力模型的论文, 主要内容为在互联网高速发展的时代,电影数据资源呈指数级增长。当面临海量的电影信息时,用户通常很难快速准确地找到他们需要的信息,这导致用户需求得不到满足以及电影资源使用率不高。个性化推荐算法能够帮助用户找到有价值的信息,它通过用户的历史信息以及其他辅助信息对用户进行推荐。当前对于推荐算法的研究取得了一定的进展,然而,算法的推荐性能仍有改进的空间。随着社交媒体的发展,用户之间会产生信任、关注等交互关系。由于传统的协同过滤推荐算法的不足,本文基于社会网络的社区划分和社交影响力在推荐中的作用,并利用在经典电影数据集上进行实验,证明了算法的有效性。本文主要研究内容如下:(1)提出一种基于社区划分的推荐算法。首先,在传统的相似度计算方法上加入用户共同评价项目数量来计算用户间的相似度;其次,利用用户评分数据计算用户之间的直接信任度,通过直接信任的传播得到间接信任;然后,将相似度与信任度结合构建用户关系矩阵,随后根据用户关系矩阵构建用户网络,利用改进的Louvain算法对用户网络进行社区划分,再通过社区划分的结果生成最近邻居集合;最后,对尚未评分的项目做出评分预测,生成推荐列表。实验结果证明了该算法的有效性和精确性。(2)提出一种基于注意力模型的社会化推荐算法。首先,利用降噪自编码器建模用户、项目属性和社交信息,并得到三者的低维向量化表示;其次,计算用户与其所有的社交邻居的社交影响力;然后,通过注意力模型生成用户的社交上下文信息,为用户选择有影响力的社交邻居;最后,得到用户对项目的评分,从评分列表中向目标用户推荐其可能感兴趣的项目。与基准模型对比并分析参数来验证模型的有效性。(3)完成基于社会网络分析的电影推荐系统。系统基于B/S的设计模式,从用户需求出发,实现了电影推荐相关的功能模块。系统的实现解决了电影资源过载的问题,为用户选择电影提供了便利。综上所述,本文提出的算法在电影数据集上能够有效缓解数据稀疏问题,提升推荐效果,同时电影推荐系统能够为用户找到其可能感兴趣的电影,节省用户搜索时间。

基于社区矩阵的概率矩阵分解推荐算法研究

这是一篇关于推荐算法,概率矩阵分解,社区划分,社区矩阵的论文, 主要内容为大数据时代下互联网信息量爆炸式增长,用户难以从大数据中检索到个人所需要的资源,这样的信息过载问题无法避免。推荐系统能有效解决信息过载问题,推荐算法是推荐系统的核心部分,研究推荐算法对于提高推荐系统性能、扩展推荐系统功能很有意义。概率矩阵分解算法,作为协同过滤算法之一,其优秀特性在业界有很深远的影响,但同样的,该算法会受到冷启动问题的影响。为提高算法的推荐准确性,并解决冷启动问题,论文考虑用户社交关系,从用户集群协作的角度出发,使用社区处理用户社交信息,将社区与概率矩阵分解相结合,提出基于社区矩阵的概率矩阵分解推荐算法(CPMF算法,A Probability Matrix Factorization Recommendation Algorithm based on Community Matrix)。为使用户的整体集群程度最好,论文提出基于模块度的SLPA社区划分算法,该算法将用户社交信息构成的社交网络划分,输出模块度最大的目标社区。根据用户和社区的从属关系,论文定义社区矩阵,以社区矩阵的形式描述用户社交信息。论文CPMF算法融合社区矩阵和用户评分信息构成的用户评分矩阵,经概率矩阵分解推导得到用户、项目、用户社区、社区等隐式特征向量,考虑到用户社区特征对用户特征的影响,定义社区调节参数,联合推导,得到含特征向量的CPMF算法的目标函数。为使预测评分接近实际评分,论文采用随机梯度下降法求解目标函数最小值,相关的隐式特征向量经迭代学习优化至最优解,通过用户隐式特征向量和项目隐式特征向量的乘积得到预测评分结果。为保证实验结果的一般性,论文实验选用Last.FM和Epinions这两个公开数据集,选取PMF、SoRec、TrustMF、TrustPMF等推荐算法作为比较对象,以平均绝对误差和均方根误差为评估指标来衡量算法的推荐性能。通过两数据集上的综合性实验,证明了论文CPMF算法有很好的推荐准确性,在冷启动问题上也有好的性能表现,在均方根误差上的优势表现得更加明显,这些都归功于算法使用了社区内用户的集群协作推荐优势。

基于社区矩阵的概率矩阵分解推荐算法研究

这是一篇关于推荐算法,概率矩阵分解,社区划分,社区矩阵的论文, 主要内容为大数据时代下互联网信息量爆炸式增长,用户难以从大数据中检索到个人所需要的资源,这样的信息过载问题无法避免。推荐系统能有效解决信息过载问题,推荐算法是推荐系统的核心部分,研究推荐算法对于提高推荐系统性能、扩展推荐系统功能很有意义。概率矩阵分解算法,作为协同过滤算法之一,其优秀特性在业界有很深远的影响,但同样的,该算法会受到冷启动问题的影响。为提高算法的推荐准确性,并解决冷启动问题,论文考虑用户社交关系,从用户集群协作的角度出发,使用社区处理用户社交信息,将社区与概率矩阵分解相结合,提出基于社区矩阵的概率矩阵分解推荐算法(CPMF算法,A Probability Matrix Factorization Recommendation Algorithm based on Community Matrix)。为使用户的整体集群程度最好,论文提出基于模块度的SLPA社区划分算法,该算法将用户社交信息构成的社交网络划分,输出模块度最大的目标社区。根据用户和社区的从属关系,论文定义社区矩阵,以社区矩阵的形式描述用户社交信息。论文CPMF算法融合社区矩阵和用户评分信息构成的用户评分矩阵,经概率矩阵分解推导得到用户、项目、用户社区、社区等隐式特征向量,考虑到用户社区特征对用户特征的影响,定义社区调节参数,联合推导,得到含特征向量的CPMF算法的目标函数。为使预测评分接近实际评分,论文采用随机梯度下降法求解目标函数最小值,相关的隐式特征向量经迭代学习优化至最优解,通过用户隐式特征向量和项目隐式特征向量的乘积得到预测评分结果。为保证实验结果的一般性,论文实验选用Last.FM和Epinions这两个公开数据集,选取PMF、SoRec、TrustMF、TrustPMF等推荐算法作为比较对象,以平均绝对误差和均方根误差为评估指标来衡量算法的推荐性能。通过两数据集上的综合性实验,证明了论文CPMF算法有很好的推荐准确性,在冷启动问题上也有好的性能表现,在均方根误差上的优势表现得更加明显,这些都归功于算法使用了社区内用户的集群协作推荐优势。