检索结果

Select

1. 结合评分和信任关系的社会化推荐算法

胡云, 李慧, 施珺

计算机应用 2017, 37 (3): 791-795. DOI: 10.11772/j.issn.1001-9081.2017.03.791

摘要（456）

PDF （814KB）（458）

针对推荐系统中普遍存在的数据稀疏和冷启动等问题，提出一种综合评分和信任关系的社会化推荐算法。首先对网络中新用户的初始信任值进行合理赋值，有效地解决了新用户的信任冷启动问题。鉴于用户的喜好会受其朋友的影响，推荐模型又利用朋友之间的信任矩阵对用户自身的特征向量进行修正，解决了用户特征向量的精准构建及信任传递问题。实验结果表明，所提算法较传统的社会网络推荐算法在性能上有显著提高。

参考文献 | 相关文章 | 多维度评价

Select

2. 社会网络环境下的协同推荐方法

李慧胡云施珺

计算机应用 2013, 33 (11): 3067-3070.

摘要（534）

PDF （632KB）（390）

针对传统协同过滤推荐算法的数据稀疏性及恶意评分等问题，提出了一种融合信任度与矩阵分解技术实现社会网络推荐的方法。首先通过计算节点的声望值与偏见值发现网络中的不可信节点，并将其评分权重进行弱化。然后将用户－评分矩阵与信任度矩阵相结合，实现社会网络环境下的协同推荐。实验表明，相对于传统的协同过滤算法，该算法可以消减虚假评分或恶意评分给推荐系统带来的负面影响，有效地缓解数据稀疏性与冷启动问题，显著提高推荐系统的推荐质量。

相关文章 | 多维度评价

Select

3. 基于全局最近邻的离群点检测算法

胡云施珺王崇骏李慧

计算机应用 2011, 31 (10): 2778-2781. DOI: 10.3724/SP.J.1087.2011.02778

摘要（1740）

PDF （623KB）（632）

针对全局最近邻离群点检测算法的效率问题,为了能够在数据集中快速准确地检测离群点,运用属性约简技术,将离群点的搜索简约到较小的最具代表性的属性子空间中进行,从而有效降低属性空间搜索的复杂度。在此基础上,通过计算基于近邻的加权离群因子实现离群点的检测并提出了相应的算法。实验表明,该离群点算法具有较好的适应性和有效性。