专栏首页arxiv.org翻译专栏社交网络的软推荐系统(Social and Information Networks)
原创

社交网络的软推荐系统(Social and Information Networks)

最近的社交推荐系统利用朋友关系图来做出准确的推荐,因为社交网络中的朋友有着完全相同的兴趣和偏好。一些研究受益于硬聚类算法(如K-means)来确定用户之间的相似性,从而定义友谊的程度。在这篇论文中,我们更进一步,找到了真正的朋友,提出了更现实的建议。我们计算了用户之间的相似度,以及用户和项目之间的依赖度。我们的假设是,由于用户偏好的不确定性,模糊聚类,而不是经典的硬聚类,有利于准确的建议。我们加入了C-means算法来获得软用户集群的不同隶属度。然后,根据软聚类定义用户的相似度度量。然后,在一个训练方案中,我们确定了用户和项目的潜在代表,利用矩阵分解从庞大而稀疏的用户-项目-标签矩阵中提取。在参数调整中,我们找到了软社会正规化和用户-物品依赖项影响的最优系数。实验结果表明,与基于硬聚类的基线社会推荐系统相比,提出的模糊相似度度量方法提高了真实数据中的推荐效果。

原文题目:A Soft Recommender System for Social Networks

原文:Recent social recommender systems benefit from friendship graph to make an accurate recommendation, be- lieving that friends in a social network have exactly the same interests and preferences. Some studies have benefited from hard clustering algorithms (such as K-means) to determine the similarity between users and consequently to define degree of friendships. In this paper, we went a step further to identify true friends for making even more realistic recommendations. we calculated the similarity between users, as well as the depen- dency between a user and an item. Our hypothesis is that due to the uncertainties in user preferences, the fuzzy clustering, instead of the classical hard clustering, is beneficial in accurate recommendations. We incorporated the C-means algorithm to get different membership degrees of soft users’ clusters. Then, the users’ similarity metric is defined according to the soft clusters. Later, in a training scheme we determined the latent representations of users and items, extracting from the huge and sparse user-item-tag matrix using matrix factorization. In the parameter tuning, we found the optimum coefficients for the influence of our soft social regularization and the user-item dependency terms. Our experimental results convinced that the proposed fuzzy similarity metric improves the recommendations in real data compared to the baseline social recommender system with the hard clustering.

原文作者:Marzieh Pourhojjati-Sabet, Azam Rabiee

原文链接:https://arxiv.org/abs/2001.02520

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 时间约束的自适应影响最大化(Social and Information Networks)

    众所周知,影响最大化问题的目的是通过在扩散过程之前选择合适的种子用户来最大化一个信息级联在社交网络中的影响。在其自适应版本中,可以通过观察一定的扩散结果来选择额...

    用户6869393
  • 冠状病毒病移动限制之后维基百科注意力的突然转移(cs.SI)

    我们研究了2019冠状病毒(COVID-19)大流行以及随之而来的严重流动性限制如何影响世界最大在线百科全书维基百科上的信息访问。一项纵向分析将12种维基百科语...

    用户6869393
  • 基于模糊逻辑的Web语境语言结构集成,丰富概念视觉表征(multimedia)

    由于用语义描述符自动映射视觉特征的困难,最先进的框架在索引视觉内容的覆盖率和有效性方面表现出了较差的性能。这促使我们研究如何利用Web作为一个大型信息源来提取相...

    用户6869393
  • scrapy架构初探

    URL谁来准备呢?看样子是Spider自己来准备,那么可以猜测Scrapy架构部分(不包括Spider)主要做事件调度,不管网址的存储。看起来类似GooS...

    爱撒谎的男孩
  • 引起SAP WebClient UI页面出现超时(time out)错误的另一个原因

    Sometimes you would see the following page if you are clicking anywhere in a pag...

    Jerry Wang
  • Adversarial Variational Bayes: Unifying VAE and GAN 代码

    This repository contains the code to reproduce the core results from the paper A...

    用户1908973
  • POJ-1926 Pollution

    Pollution Time Limit: 1000MS Memory Limit: 30000K Total Submissions: 40...

    ShenduCC
  • 代码+视频 - 卡车强化学习自动驾驶模拟 - 玩游戏看风景

    https://github.com/aleju/self-driving-truck

    用户1908973
  • 代码+视频 - 卡车强化学习自动驾驶模拟 - 玩游戏看风景

    https://github.com/aleju/self-driving-truck

    用户1908973
  • Codeforces 834E The Bakery【枚举+数位dp】

    E. Ever-Hungry Krakozyabra time limit per test:1 second memory limit per test:25...

    Angel_Kitty

扫码关注云+社区

领取腾讯云代金券