TLRank:一种新的社会化协同排序推荐算法

摘要

协同排序推荐算法在互联网信息推荐领域得到了广泛运用.之前有关社会化协同排序推荐算法的研究只是简单的融入用户的社交网络信息,而没有考虑到用户之间社会化信任网络的传递性;同时当前协同排序推荐算法的性能面临数据高度稀疏性和冷启动问题的挑战.为了进一步解决这些问题,本文在传统的协同排序推荐算法(ListRank,List-wise Learning to Rank)和最新的社会化协同过滤算法(TrustMF,Social Collaborative Filtering by Trust)的基础上提出了一种新的社会化协同排序推荐算法(TLRank).该方法通过融合均高度稀疏的用户的显式评分数据和社会化信任网络数据,来进一步提高协同排序推荐算法的性能.在真实的数据集上实验验证,该方法在各个评价指标下性能均优于几个经典的协同排序推荐算法,且复杂度低、运算时间与评分点个数线性相关.TLRank算法推荐精度高、可扩展性好,适合处理大数据,在互联网信息推荐领域具有广泛的运用前景.