基于重引力搜索链接预测和评分传播的大数据推荐系统

发布时间：2025-02-08 11:32

　　 大数据推荐系统的搜索空间较大导致推荐的响应时间过长。为权衡大数据推荐系统的时间效率和推荐性能,提出一种基于重引力搜索链接预测和评分传播的大数据推荐系统。采用相对相似性指数度量用户的相似性,采用广义Meta Path模型建立相似图;引入社区信息来提高局部链接预测的准确率,从强社区提取优化的子图来实现局部链接的预测,通过重引力搜索对子图做优化处理,从而缩小搜索空间;设计基于传染病模型的网络传播策略,根据已有的模式探索隐藏的模式。基于公开数据集的实验结果表明,该算法有效地提高了推荐系统的准确率和覆盖率,并且响应时间在可接受的范围内。

【文章页数】：9 页

【部分图文】：

图10 RC的实验结果

图10RC的实验结果5.4与其他推荐系统的比较

图1 推荐系统的主要模块

图1所示是推荐系统的主要模块。本算法主要由3个阶段组成:第一阶段:计算用户之间的相似性,该阶段结合RSI和MetaPath来增强用户间的相似性计算。第二阶段:应用链接预测算法发现隐藏的网络链接,该阶段设计了基于重引力搜索的链接预测算法,发现隐藏的用户链接来缓解稀疏性问题。第三阶....

图2 一个U-I网络的实例

构建一个广义的用户-项目网络(User-Item,U-I),网络的节点为用户和项目,边为加权的链接,表示用户对于各个项目的评分。图2所示是一个网络的实例,图中U表示用户,I表示项目,网络由4个用户和6个项目组成,链接为用户对于项目的评分。异构网络中存在不同类型的节点和链接,采用广....

图3 评分分级的示意图

采用“用户-项目-用户”的Meta-Path,简称为simUIU。simUIU计算加权Meta-Path的相似性,假设评分范围为{1,2,3,4,5},将评分信息分为三个级别:低:{1,2},中:{3,4};高:{5}。图3是评分分级的示意图,将Meta-Path细分为三个加权的....

本文编号：4031458