一种联合LTR和社交网络的Top-k推荐方法

摘要 个性化推荐可以有效地解决网络中数据爆炸问题，绝大多数的工作利用用户评分信息来降低评分预测误差值(MAE).相比于精确的评分预测，用户更关心推荐给他的top-k项目排序列表，而最小化MAE并不意味着良好的top-k项目列表.由于评分数据存在稀疏问题，社交网络中信任信息在top-k推荐系统中起着越来越重要的作用.本文提出了一种基于信任的面向top-k排序的推荐方法，BTRank.该算法基于LTR方法，结合用户评分以及用户信任信息来构建项目排序模型，有效地提高对所有用户的top-k排序列表质量.同时，考虑到用户兴趣会随着时间演变而变化，本文设计了时间效应模型函数用于处理用户历史评分数据.在真实数据集上的实验中表明本文提出的算法效果明显优于传统的推荐算法以及同类top-k排序推荐算法