社会的推奨システムの評価予測における暗黙の社会的関係の力

最近のソーシャルネットワークの爆発的な成長は、社会的推奨の問題を支援するための追加の情報源として利用される強力な情報源を提示しました。確率的マトリックスの因数分解に基づいた社会的推奨方法は、推奨の精度を改善し、コールドスタートとデータスパースの問題を部分的に解決しました。しかし、これらの方法は明示的な社会関係を悪用しただけでなく、暗黙の社会関係をほぼ完全に無視しました。この記事では、まず、リンク予測手法を活用することにより、ソーシャルネットワークの無向グラフで暗黙の関係を抽出するアルゴリズムを提案します。さらに、明示的な友情と暗黙の友情を取り入れることにより、データスパースの問題を軽減するための新しい確率的マトリックス因数分解法を提案します。2つの実際のデータセットで提案されたアプローチを評価します。last.fmとdouban。実験結果は、私たちの方法が最先端のアプローチよりもはるかに優れていることを示しています。これは、低予測の精度に対処するための推奨プロセスに暗黙の社会的関係を組み込むことの重要性を示しています。

The explosive growth of social networks in recent times has presented a powerful source of information to be utilized as an extra source for assisting in the social recommendation problems. The social recommendation methods that are based on probabilistic matrix factorization improved the recommendation accuracy and partly solved the cold-start and data sparsity problems. However, these methods only exploited the explicit social relations and almost completely ignored the implicit social relations. In this article, we firstly propose an algorithm to extract the implicit relation in the undirected graphs of social networks by exploiting the link prediction techniques. Furthermore, we propose a new probabilistic matrix factorization method to alleviate the data sparsity problem through incorporating explicit friendship and implicit friendship. We evaluate our proposed approach on two real datasets, Last.Fm and Douban. The experimental results show that our method performs much better than the state-of-the-art approaches, which indicates the importance of incorporating implicit social relations in the recommendation process to address the poor prediction accuracy.