软件学报:jos:5391 · 记录 #1
随着社交网络的发展，融合社交信息的推荐成为推荐领域中的一个研究热点.基于矩阵分解的协同过滤推荐方法（简称矩阵分解推荐方法）因其算法可扩展性好及灵活性高等诸多特点，成为研究人员在其基础之上进行社交推荐模型构建的重要原因.围绕基于矩阵分解的社交推荐模型，依据模型的构建方式对社交推荐模型进行综述.在实际数据上，对已有代表性社交推荐方法进行对比，分析各种典型社交推荐模型在不同视角下的性能（如整体用户、冷启动用户、长尾物品）.最后，分析了基于矩阵分解的社交推荐模型及其求解算法存在的问题，并对未来研究方向与发展趋势进行展望.
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.005391
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。
随着社交网络的发展，融合社交信息的推荐成为推荐领域中的一个研究热点.基于矩阵分解的协同过滤推荐方法（简称矩阵分解推荐方法）因其算法可扩展性好及灵活性高等诸多特点，成为研究人员在其基础之上进行社交推荐模型构建的重要原因.围绕基于矩阵分解的社交推荐模型，依据模型的构建方式对社交推荐模型进行综述.在实际数据上，对已有代表性社交推荐方法进行对比，分析各种典型社交推荐模型在不同视角下的性能（如整体用户、冷启动用户、长尾物品）.最后，分析了基于矩阵分解的社交推荐模型及其求解算法存在的问题，并对未来研究方向与发展趋势进行展望.
查看此版本解读 →查看此版本原文 ↗