隐式反馈场景中结合信任与相似度的排序推荐

摘要

推荐系统作为解决信息过载问题的有效工具,能通过海量历史行为数据挖掘用户偏好,为其提供个性化推荐服务.针对如何利用隐式反馈数据实现个性化推荐进行研究,提出了一种结合信任与相似度的排序模型TSBPR.首先计算受信度与相似度的混合权重取代二值信任关系,并初始化新用户信任列表将新用户连接进信任网络;其次利用邻居的特征及信任矩阵修正目标用户的特征矩阵解决信任传递问题;最后通过在贝叶斯排序模型(Bayesian personalized ranking,BPR)中引入重新构建的信任模型及用户特征得到优化的模型参数并生成最终的项目排序列表.通过实验仿真,证明了TSBPR模型可以提高推荐性能和有效解决冷启动问题.