Adaptive soziale Ähnlichkeiten für Empfehlungssysteme

Kollaboratives Filtern (CF) ist eine effektive Empfehlungstechnik, die Artikel für einen einzelnen Benutzer basierend auf den Vorlieben ähnlicher Benutzer auswählt. CF spiegelt jedoch möglicherweise nicht vollständig das Verfahren wider, wie Menschen in der realen Welt einen Artikel auswählen, da Benutzer eher Freunde nach Meinungen fragen, anstatt ähnliche Fremde zu konsultieren. Kürzlich wurden einige Empfehlungsverfahren basierend auf sozialen Netzwerken entwickelt. Diese Ansätze integrieren soziale Netzwerke in die CF-Algorithmen, und die Vorlieben der Benutzer können von den Vorlieben ihrer Freunde beeinflusst werden. Diese sozialen Ansätze erfordern das Wissen über Ähnlichkeiten unter Freunden. Es gibt zwei beliebte Ähnlichkeitsfunktionen: Vektorraumähnlichkeit (VSS) und Pearson-Korrelation (PCC). Beide Ähnlichkeitsfunktionen für Freunde basieren jedoch auf den Artikel-Sets, die sie gemeinsam bewertet haben. In den meisten Fällen sind diese Funktionen unpraktisch, das heißt, wenn zwei Freunde nicht die gleichen Artikel teilen, wird die Ähnlichkeit zwischen ihnen null sein. Um dieses Problem zu lösen, schlagen wir eine Adaptive Soziale Ähnlichkeitsfunktion (ASS) vor, die auf der Matrixfaktorisierungstechnik basiert. Wir führen unser Experiment an einem großen Datensatz durch: Epinions, das ein weit verbreiteter Datensatz mit sozialen Informationen ist. Die Ergebnisse des Experiments zeigen, dass unser Ansatz die Basismodell übertrifft und eine bessere Leistung als die sozialbasierten Methoden in 4 erreicht.