Collaborative Topic Regression with social trust ensemble for recommendation in social media systems
Collaborative Topic Regression with social trust ensemble for recommendation in social media systems
复制标题
与社会信任集成的协作主题回归，用于社交媒体系统中的推荐
DOI：
10.1016/j.knosys.2016.01.011
复制
发表时间：
2016-04
影响因子：
8.8
通讯作者：
Fan Dong
中科院分区：
文献类型：
--
作者：
Hao Wu;Kun Yue;Yijian Pei;Bo Li;Yiji Zhao;Fan Dong
社交媒体系统提供了不断增长的海量信息，用于用户社区之间的传播和交流，而推荐系统旨在通过过滤并向用户提供信息海洋中最具吸引力和相关性的项目来减轻信息过载。本文旨在为社交媒体系统提供复合推荐引擎，重点是利用多源信息（例如社交网络、项目内容和用户反馈）来预测用户对项目的评分并做出推荐。为此，我们假设用户对采用项目的决定受到他们的品味和可信赖朋友的喜好的影响，并将协作主题回归扩展到共同结合社会信任集成、主题建模和概率矩阵分解。我们提出了相应的方法来学习用户和项目的潜在因素，以及要估计的附加参数。 Lastfm 和 Delicious 数据集上的实证实验表明，我们的模型在准确性方面比最先进的推荐方法更好、更稳健。实验结果还揭示了一些有用的发现，可以启发社交媒体推荐系统的发展。
Social media systems provide ever-growing huge volumes of information for dissemination and communication among communities of users, while recommender systems aim to mitigate information overload by filtering and providing users the most attractive and relevant items from information-sea. This paper aims at providing compound recommendation engine for social media systems, and focuses on exploiting multi-sourced information (e.g. social networks, item contents and user feedbacks) to predict the ratings of users to items and make recommendations. For this, we suppose the users’ decisions on adopting item are affected both by their tastes and the favors of trusted friends, and extend Collaborative Topic Regression to jointly incorporates social trust ensemble, topic modeling and probabilistic matrix factorization. We propose corresponding approaches to learning the latent factors both of users and items, as well as additional parameters to be estimated. Empirical experiments on Lastfm and Delicious datasets show that our model is better and more robust than the state-of-the-art methods on making recommendations in term of accuracy. Experiments results also reveal some useful findings to enlighten the development of recommender systems in social media.
登录
查看更多内容
DOI：
10.1145/2043932.2043955
发表时间：
2011-10
期刊：
--
影响因子：
--
作者：
S. Vargas;P. Castells
通讯作者：
S. Vargas;P. Castells
DOI：
10.1145/1557019.1557067
发表时间：
2009-06
期刊：
--
影响因子：
--
作者：
Mohsen Jamali;M. Ester
通讯作者：
Mohsen Jamali;M. Ester
DOI：
10.1109/tkde.2014.2365789
发表时间：
2015-05
影响因子：
8.9
作者：
Hao Wang;Wu-Jun Li
通讯作者：
Hao Wang;Wu-Jun Li
DOI：
10.1145/1824801.1824809
发表时间：
2010-09
期刊：
ACM Transactions on Mathematical Software (TOMS)
影响因子：
--
作者：
Piotr Wendykier;J. Nagy
通讯作者：
Piotr Wendykier;J. Nagy
DOI：
10.1016/j.knosys.2014.11.026
发表时间：
2015-02
期刊：
Knowl. Based Syst.
影响因子：
--
作者：
Hao Wu;Yijian Pei;Bo Li;Zongzhan Kang;Xiaoxin Liu;Hao Li
通讯作者：
Hao Wu;Yijian Pei;Bo Li;Zongzhan Kang;Xiaoxin Liu;Hao Li