文献类型：期刊文章

作　　者：郝志峰[1,2] 廖祥财[1] 温雯[1] 蔡瑞初[1]

HAO Zhi-feng;LIAO Xiang-cai;WEN Wen;CAI Rui-chu(School of Computer Science and Technology,Guangdong University of Technology,Guangzhou 510006,China;School of Mathematics and Big Data,Foshan University,Foshan,Guangdong 528000,China)

机构地区：[1]广东工业大学计算机学院,广州510006 [2]佛山科学技术学院数学与大数据学院,广东佛山528000

出　　处：《计算机科学》

基　　金：国家自然科学基金(61876043,61976052);广东省科技计划(2019A141401006)。

年　　份：2021

卷　　号：48

期　　号：3

起止页码：168-173

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：随着电子商务和互联网的发展,数据信息呈爆炸式增长,协同过滤算法作为一种简单而高效的推荐算法,能在一定程度上有效地解决信息爆炸问题。但是传统协同过滤算法仅通过单一评分来挖掘相似用户,推荐效果并不占优势。为了提高个性化推荐的质量,如何充分利用用户(物品)的文本、图片、标签等上下文信息以使数据价值最大化是当前推荐系统亟待解决的问题。对此,提出了一种融合多种类型上下文信息的协同过滤算法。以用户商品交互信息为二部图,根据不同类型上下文的特点构建不同的相似度网络,设计目标函数在多种上下文信息网络的约束下联合矩阵分解,并学得用户商品的表示学习。在多个数据集上进行了充分实验,结果表明,融合多种类型上下文信息的协同过滤算法不仅能有效提高推荐的准确度,而且能在一定程度上解决数据稀疏性问题。

关 键 词：矩阵分解 协同过滤 推荐系统 多上下文信息  

分 类 号：TP181]