复杂网络观点传播模型下的推荐系统评分预测

摘要

由于网络上充斥着大量信息,而用户需要寻找他们真正喜欢的产品和内容,因此预测用户对产品和内容的评分至关重要。用户观点传播模型通过查找被其他具有相似偏好或品味用户影响的相似用户,并通过选定的相似邻居预测目标用户的评分,从而预测用户对该商品的评分。但是,用户观点传播相似性计算的结果在数值上很小,并且在预测过程中,用户观点传播模型需要大量的邻居才能获得最佳预测精度。针对这一问题,研究推荐系统复杂网络建模后的度中心性和社团差异性评分预测算法,在MovieLens数据集上进行评分预测。实验结果表明,基于中心性、社团和置信系数的方法可以将预测准确度提高0.7%~5.5%,获得最佳精度所需的邻居数量减少84%,具有更低的预测误差且仅需很少的邻居数量即可实现预测。