您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（理学版）》

山东大学学报（理学版） ›› 2016, Vol. 51 ›› Issue (1): 89-94.doi: 10.6040/j.issn.1671-9352.1.2015.106

• • 上一篇    下一篇

基于因子分解机的信任感知商品推荐

高晓波1,方献梅1,2*,李石君2   

  1. 1.河池学院计算机与信息工程学院, 广西 宜州 546300;2.武汉大学计算机学院, 湖北 武汉 430079
  • 收稿日期:2015-08-06 出版日期:2016-01-16 发布日期:2016-11-29
  • 通讯作者: 方献梅(1972— ),女,硕士,副教授,研究方向为数据挖掘.E-mail:netyz@qq.com E-mail:aspone@qq.com
  • 作者简介:高晓波(1976— ),男,硕士,讲师,研究方向为数据挖掘和机器学习.E-mail:aspone@qq.com
  • 基金资助:
    广西高校科学技术研究项目(KY2015LX338)

Trust-aware product recommendation based on factorization machine

GAO Xiao-bo1, FANG Xian-mei1,2*, LI Shi-jun2   

  1. 1. School of Computer and Information Engineering, Hechi University, Yizhou 546300, Guangxi, China;
    2. Computer School, Wuhan University, Wuhan 430079, Hubei, China
  • Received:2015-08-06 Online:2016-01-16 Published:2016-11-29

PDF (PC)

1101

摘要： 数据稀疏和运行速度慢是个性化推荐系统面临的难题。为了有效利用用户历史行为,基于用户的评分记录识别出用户感兴趣的内容,并结合用户间的信任关系,提出使用因子分解机(factorization machine, FM)模型进行评分预测。FM具有线性时间复杂度,并且对于稀疏的数据具有很好的学习能力,因而能进行快速推荐。试验结果表明,与传统方法相比,基于因子分解机的商品推荐方法的准确度有明显提高。

关键词: 电子商务, 因子分解机, 商品推荐, 信任

Abstract: The personalized recommender system suffers from sparse data and slow recommendation speed. A score prediction model based on Factorization Machine(FM)was proposed. The FM model utilizes users access history, identifies user-interested contents based on their scoring records and integrates trusts among different users. FM has a linear time complexity and excellent learning capability for sparse data, so it can quickly recommend. The results showed that the proposed FM model based on product recommendation approach was significantly more accurate than the traditional methods.

Key words: e-commerce, factorization machine, trust, product recommendation

中图分类号: 

  • TP391
[1] ADOMAVICIUS G, TUZHAILIN A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions[J]. Knowledge and Data Engineering, IEEE Transactions on, 2005, 17(6):734-749.
[2] GOLDBERG D, Nichols D, OKI B M, et al. Using collaborative filtering to weave an information tapestry[J].Communications of the ACM, 1992, 35(12):61-70.
[3] BREESE J S, HECKERMAN D, KADIE C. Empirical analysis of predictive algorithms for collaborative filtering[C] //Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence. Madison, Wisconsin: Morgan Kaufmann Publishers Inc, 1998:43-52.
[4] SARWAR B, KARYPIS G, KONSTAN J, et al. Item-based collaborative filtering recommendation algorithms[C] //Proceedings of the 10th International Conference on World Wide Web. Hong Kong: ACM, 2001: 285-295.
[5] YOSHII K, GOTO M, KOMATANI K, et al. An efficient hybrid music recommender system using an incrementally trainable probabilistic generative model[J]. Audio, Speech, and Language Processing, IEEE Transactions on, 2008, 16(2):435-447.
[6] GOLBECK J, MASSA P, AVESANI P. Trust metrics in recommender systems[M] //GOLBECK J. Computing with Social Trust. London: Springer, 2009: 259-285.
[7] JENSEN C, POSLAD S, DIMITRAKOS T, et al. Using trust in recommender systems: an experimental analysis[M] //JENSEN C, POSLAD S, DIMITRAKOS T. Trust Management. Berlin: Springer, 2004:221-235.
[8] 张富国. 用户多兴趣下基于信任的协同过滤算法研究[J]. 小型微型计算机系统, 2008,29(8):1415-1419. ZHANG Fuguo. Research on trust based collaborative filtering algorithm for users multiple interests[J]. Journal of Chinese Computer Systems, 2008, 29(8):1415-1419
[9] 俞琰, 邱广华. 融合社会网络的协同过滤推荐算法研究[J]. 现代图书情报技术, 2012(6):54-59. YU Yan, QIU Guanghua. Research on collaborative filtering recommendation algorithm by fusing social network[J].New Technology of Library and Information Service, 2012(6):54-59.
[10] RENDLE S. Factorization machines[C] //Proceedings of the 10th IEEE International Conference on Data Mining.New York:IEEE Press, 2010:995-1000.
[11] 刘建国, 周涛, 郭强,等. 个性化推荐系统评价方法综述[J]. 复杂系统与复杂性科学, 2009,6(3):1-10. LIU Jianguo, ZHOU Tao, GUO Qiang, et al. Overview of the evaluated algorithms for the personal recommendation systems[J].Complex Systems and Complexity Science, 2009, 6(3):1-10.
[1] 崔朝阳,孙甲琦,徐松艳,蒋鑫. 适用于集群无人机的自组网安全分簇算法[J]. 山东大学学报（理学版）, 2018, 53(7): 51-59.
[2] 胡谦,米据生,李磊军. 多粒度模糊粗糙近似算子的信任结构与属性约简[J]. 山东大学学报（理学版）, 2017, 52(7): 30-36.
[3] 彭秋芳,刘洋. 基于SVM的电子商务行为的性别判断[J]. 山东大学学报（理学版）, 2016, 51(7): 74-80.
[4] 赵斌,何泾沙,张伊璇. 基于信息熵隶属度的决策属性权重确定方法[J]. 山东大学学报（理学版）, 2016, 51(3): 86-90.
[5] 祝瑞. 一种基于信任度的电子商务社区聚类模型[J]. 山东大学学报（理学版）, 2015, 50(05): 18-22.
[6] 蒋伟进, 许宇晖, 郭宏, 许宇胜. 基于多智能体的多维证据动态信任计算模型[J]. 山东大学学报（理学版）, 2015, 50(01): 1-11.
[7] 吕盟, 刘哲, 刘建伟. 企业级无线局域网可信域间访问控制方案[J]. 山东大学学报（理学版）, 2014, 49(11): 82-88.
[8] 杨晓晖, 王虹, 江丽军, 常思远. 一种基于信任度量的Web服务跨域访问控制模型[J]. 山东大学学报（理学版）, 2014, 49(09): 115-122.
[9] 李国庆. 无线传感器网络基于联系数的信任评估模型[J]. 山东大学学报（理学版）, 2014, 49(09): 123-128.
[10] 赵斌, 何泾沙, 张伊璇, 翟鹏, 刘公政, 周世义. 开放式网络信任计算中多影响因子的分析[J]. 山东大学学报（理学版）, 2014, 49(09): 103-108.
[11] 罗海燕, 吕萍, 刘林忠, 杨洵. 云环境下基于模糊粗糙AHP的企业信任综合评估[J]. 山东大学学报（理学版）, 2014, 49(08): 111-117.
[12] 卢清平1,苏守宝1,2*,郁书好1,3,4,杨柳1. 一种层次信任的多粒度RBAC扩展模型[J]. J4, 2013, 48(7): 51-55.
[13] 许民利,郭沙沙. 基于序贯互惠均衡的委托代理信任研究[J]. J4, 2013, 48(3): 42-47.
[14] 黄亮,杜永萍. 基于信任关系的潜在好友推荐方法[J]. J4, 2013, 48(11): 73-79.
[15] 陈佩剑1,杨岳湘2,唐川2. 基于信任度量机制的分布式入侵检测系统[J]. J4, 2011, 46(9): 77-80.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 2018 《山东大学学报(理学版)》编辑部　
地址: 山东省济南市山大南路27号山东大学中心校区（250100）　电话: +86-0531-88366917　E-mail: xblxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发