Social network regularized Sparse Linear Model for Top-N recommendation
Social network regularized Sparse Linear Model for Top-N recommendation
复制标题
用于 Top-N 推荐的社交网络正则化稀疏线性模型
DOI：
10.1016/j.engappai.2016.01.019
复制
发表时间：
2016-05
影响因子：
8
通讯作者：
Tang Zhiwei
中科院分区：
文献类型：
--
作者：
Ankit Sharma;Jaideep Srivastava;Wu Sen;Tang Zhiwei
社交推荐技术已经开发出来，利用用户׳S的社会关系进行评分预测和Top-N推荐。然而，他们大多使用社会网络增强矩阵分解(MF)，其目标是将评分预测误差降至最小，这使得Top-N推荐不切实际且不成功。因此，本文致力于开发更有效的方法来利用社交网络信息进行Top-N推荐。提出了社会网络正则化稀疏线性模型(SocSLIM)及其结合局部学习的扩展(LocSocSLIM)以提高效率。SocSLIM通过共享系数矩阵同时解决用户-项目评价/购买矩阵和用户-用户社交网络׳S邻接矩阵上的稀疏表示问题，为用户学习稀疏系数矩阵。使用系数矩阵预测推荐得分，然后将其与提出的基于项的距离正则化稀疏线性模型(DSLIM)相结合，为用户生成推荐。实验结果表明，SocSLIM有效地利用了社会信息，比最先进的方法至少提高了12%的性能。此外，与SocSLIM相比，局部权重学习扩展LocSocSLIM在获得接近性能保证的同时，将效率提高了10倍。
Social recommendation techniques have been developed to employ user׳s social connections for both rating prediction andTop-Nrecommendation. However, they are mostly using social network enhanced matrix factorization (MF) where the objective is to minimize the prediction error of rating scores, which makes it impractical and unsuccessful forTop-Nrecommendation. This paper thus focuses on developing more effective methods to utilize social network information forTop-Nrecommendation. Social network regularized Sparse LInear Model (SocSLIM) with its extensions incorporating local learning (LocSocSLIM) to improve efficiency are proposed. SocSLIM learns sparse coefficient matrix for users by solving a sparse representation problem over user-item rating/purchase matrix and user–user social network׳s adjacency matrix at the same time by sharing coefficient matrix. The coefficient matrix is used to predict the recommendation scores, which are then combined with a proposed item based Distance regularized Sparse LInear Model (DSLIM) to generate recommendations for the users. The experimental results demonstrate that SocSLIM effectively uses the social information to outperform the state-of-the-art methods by at least 12%. Moreover, the local weight learning extension LocSocSLIM significantly improves the efficiency up to 10 times as compared to SocSLIM as the original SLIM while achieving the close performance guarantees.
登录
查看更多内容
DOI：
10.1145/1297231.1297235
发表时间：
2007-10
期刊：
--
影响因子：
--
作者：
P. Massa;P. Avesani
通讯作者：
P. Massa;P. Avesani
DOI：
10.1145/2507157.2507189
发表时间：
2013-10
期刊：
Proceedings of the 7th ACM conference on Recommender systems
影响因子：
--
作者：
F. Aiolli
通讯作者：
F. Aiolli
DOI：
--
发表时间：
--
期刊：
--
影响因子：
--
作者：
通讯作者：
--
DOI：
--
发表时间：
2003
期刊：
IEEE Distributed Syst. Online
影响因子：
--
作者：
G. Linden;Brent Smith;J. York
通讯作者：
G. Linden;Brent Smith;J. York
通过信任进行社交协同过滤
DOI：
10.1109/tpami.2016.2605085
发表时间：
2017-08-01
影响因子：
23.6
作者：
Yang, Bo;Lei, Yu;Li, Wenjie
通讯作者：
Li, Wenjie