软件学报:jos:5274 · 记录 #1
推荐系统已成为一种解决信息过载和帮助用户决策的有效工具.当前的研究表明，结合社会关系的推荐模型能够提升推荐的性能.然而，已有的社会化推荐模型大都忽略了物品之间的关联关系对推荐性能的影响.针对此问题，提出一种度量物品之间关联程度的方法，并将其用于获取物品之间的关联关系.然后，将关联关系与社会关系相结合，提出一种基于联合正则化的矩阵分解推荐模型，并证明了联合正则化是一种加权的原子范数.最后，根据提出的模型构建了一种推荐算法CRMF.在4个真实数据集上的实验结果表明：与主流的推荐算法相比，该算法不仅可以缓解用户的冷启动问题，而且更能有效地预测不同类型用户的实际评分.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2017 · 正式发表 · DOI: 10.13328/j.cnki.jos.005274
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
推荐系统已成为一种解决信息过载和帮助用户决策的有效工具.当前的研究表明，结合社会关系的推荐模型能够提升推荐的性能.然而，已有的社会化推荐模型大都忽略了物品之间的关联关系对推荐性能的影响.针对此问题，提出一种度量物品之间关联程度的方法，并将其用于获取物品之间的关联关系.然后，将关联关系与社会关系相结合，提出一种基于联合正则化的矩阵分解推荐模型，并证明了联合正则化是一种加权的原子范数.最后，根据提出的模型构建了一种推荐算法CRMF.在4个真实数据集上的实验结果表明：与主流的推荐算法相比，该算法不仅可以缓解用户的冷启动问题，而且更能有效地预测不同类型用户的实际评分.
查看此版本解读 →查看此版本原文 ↗