文献类型：期刊文章

作　　者：余永红[1,2,3] 高阳[2,3] 王皓[2,3] 孙栓柱[4]

Yu Yonghong;Gao Yang;Wang Hao;Sun Shuanzhu(Tongda College,Nanjing University of Posts and Telecommunications,Nanjing 210003;State Key Laboratory for Novel Software Technology （Nanjing University）,Nanjing 210023;Collaborative Innovation Centerof Novel Software Technology and Industrialization （Nanjing University）, Nanjing 210023;Jiangsu Frontier Electric Technology Co. LTD. ,Nanjing 211100)

机构地区：[1]南京邮电大学通达学院,南京210003 [2]计算机软件新技术国家重点实验室(南京大学),南京210023 [3]江苏省软件新技术与产业化协同创新中心(南京大学),南京210023 [4]江苏方天电力技术有限公司,南京211100

出　　处：《计算机研究与发展》

基　　金：国家自然科学基金项目(61432008;61503178;61403208);江苏省自然科学基金项目(BK20150587);江苏省高等学校自然科学研究项目(17KJB520028)~~

年　　份：2018

卷　　号：55

期　　号：1

起止页码：113-124

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：随着社交网络服务的日益流行,社交网络平台为推荐算法提供了丰富的额外信息.假设朋友之间共享更多的共同偏好并且用户往往易于接受来自朋友的推荐,越来越多的推荐系统利用社交网络中用户之间的信任关系来改进传统推荐算法的性能.然而,现有基于社交网络推荐算法忽略了2个问题:1)在不同的领域中,用户信任不同的朋友;2)由于用户在不同的领域内具有不同的社会地位,因此,用户在不同的领域内受朋友的影响程度是不同的.首先利用整体的社交网络结构信息和用户的评分信息推导特定领域社交网络结构,然后利用PageRank算法计算用户在特定领域的社会地位,最后提出了一种融合用户社会地位信息的矩阵分解推荐算法.在真实数据集上的实验结果表明:融合用户地位信息的矩阵分解推荐算法的性能优于传统的基于社交网络推荐算法.

关 键 词：用户社会地位  矩阵分解 推荐算法  PAGERANK算法 社交网络

分 类 号：TP181]