可扩展的融合多源异构数据的推荐模型

冀振燕¹, 吴梦丹^1,2, 杨春¹, 李俊东¹

1. 北京交通大学 软件学院, 北京 100044;
2. 中国科学院 软件研究所, 北京 100190

收稿日期:2020-11-12发布日期:2021-06-23

作者简介:冀振燕(1972-),女,副教授,博士生导师,E-mail:zhyji@bjtu.edu.cn.
基金资助:国家重点研究发展计划项目（2018YFC0809300）；国家自然科学基金项目（51935002）

Scalable Recommendation Models Fusing Multi-Source Heterogeneous Data

JI Zhen-yan¹, WU Meng-dan^1,2, YANG Chun¹, LI Jun-dong¹

1. School of Software Engineering, Beijing Jiaotong University, Beijing 100044, China;
2. Institute of Software, Chinese Academy of Sciences, Beijing 100190, China

Received:2020-11-12Published:2021-06-23

摘要/Abstract

摘要： 社交关系在生活中扮演着重要角色，用户通常会受到其好友偏好的影响，更容易选择好友购买过的物品.为了解决推荐系统冷启动问题，对融合社交关系的推荐系统进行了研究，提出了贝叶斯个性化排序评论评分社交模型和可扩展的贝叶斯个性化排序评论评分社交模型，将评分、评论、社交关系等多源异构数据从数据源层面进行了融合，通过用户好友信任度模型将社交关系引入到推荐系统中，用基于段向量的分布式词袋模型处理评论，用全连接神经网络处理评分，用改进的贝叶斯个性化排序模型对排序结果进行优化.实验在Yelp公开数据集上进行了实验，实验结果表明，所提出的2种模型的推荐准确度均优于其他推荐模型.
中图分类号:
TP391

引用本文

冀振燕, 吴梦丹, 杨春, 李俊东. 可扩展的融合多源异构数据的推荐模型[J]. 北京邮电大学学报, 2021, 44(3): 106-111.
JI Zhen-yan, WU Meng-dan, YANG Chun, LI Jun-dong. Scalable Recommendation Models Fusing Multi-Source Heterogeneous Data[J]. Journal of Beijing University of Posts and Telecommunications, 2021, 44(3): 106-111.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4801