总结

近时间矩阵分解+社交信息的融合模型（2018）

 

模型性能 

不同社交推荐方法在不同数据集中不同用户社交强度下的性能对比

研究难点与热点

数据稀疏性/ 社交关系的有效挖掘/社交噪声/可解释性社交推荐/可扩展型社交推荐模型与多源信息的融合/社交推荐模型快速求解/

社交信息动态变化的（有效地刻画社交网络动态变化的特点 ）/用户隐私保护/前沿理论与方法在推荐上的应用

推荐模型快速求解：并行/有效地划分数据、设计融合多源信息的并行优化算法

模型介绍

概率矩阵分解pmf  

代码和介绍：

https://zhuanlan.zhihu.com/p/34422451

文中作者提到，传统的协同过滤算法有两个不足：

1).不能很好地处理规模非常大的数据；

2). 不能很好地处理那些只给出极少评分的用户。

概率矩阵分解则能很好的解决上述提到的这两个问题。

 

NMF:分解成非负的矩阵

https://blog.****.net/google19890102/article/details/51190313 （介绍和代码）

https://blog.****.net/qq_26225295/article/details/51165858

 

非负矩阵分解：分解的矩阵非负,作者原因：

非负性会引发稀疏、非负性会使计算过程进入部分分解

K的选择

数据拟合：K越大那么对于数据拟合更好     模型复杂性：一个更小的K模型更简单（易于预测、少输入参数等）

NMF很少用来做推荐，最成功的一类应用是在图像的分析和处理领域。

话题识别，语音，聚类,时序分割

代码和推导未看

https://blog.****.net/qq_26225295/article/details/51165858：

简单来说一下SVD、ALS、NMF三种算法在实际工程应用中的区别。

对于一些明确的数据使用SVD（例如用户对item 的评分）

对于隐含的数据使用ALS（例如 purchase history购买历史，watching habits浏览兴趣 and browsing activity活跃记录等）

NMF用于聚类，对聚类的结果进行特征提取。在上面的实践当中就是使用了聚类的方式对不同的用户和物品进行特征提取，刚好特征可以看成是推荐间的相似度，所以可以用来作为推荐算法。但是并不推荐这样做，因为对比起SVD来说，NMF的精确率和召回率并不显著。

Slopeone

https://www.cnblogs.com/breezedeus/archive/2011/03/11/1981781.html(介绍

 

    

Slope One\Weighted Slope One\Bi-Polar Slope One

SocialMF

论文题目：《A Matrix Factorization Technique with Trust Propagation for Recommendation in Social Networks》2010

本文利用矩阵分解技术，探索了一种基于模型的社交网络推荐方法。将信任传播机制引入到模型中 ，在epinions.com数据集和爬取的flixster一个更大的数据集实验表明，建模信任传播会显著提高推荐的准确性，特别是对于冷启动用户。

我们将信任的传播纳入我们的模型，以提高推荐的质量。为了在我们的模型中注入社会影响，我们使每个用户的特征依赖于他在社交网络中的直接邻居的特征向量。利用这一思想，间接连接到社交网络中的用户的潜在特征将是依赖性的，从而传播信任。

主要贡献

在矩阵分解方法中引入了一种新的基于信任传播的SocialMF模型。

SocialMF显著降低了推荐误差（RMSE），特别是对于冷启动用户。

我们对来自epinons.com和flixster.com的两个真实数据集进行了实验，后者是我们为研究目的而爬行和准备的。(代码?)

TrustMF

模型对引入的用户信任网络信息进行细分，从信任和被信任的角度进行混合推荐

SVD++

用户–物品评分矩阵中不仅包含用户对物品的评分，还包含一些额外的用户隐式反馈信息，这些隐式反馈信息告诉我们用户对哪些物品进行了评分，它反映了用户的偏好，从中可挖掘出用户对某个特征的喜好程度. 通过使用这些隐式反馈信息，可以更好地探索用户的行为，能有效缓解数据稀疏和冷启动问题，提高推荐的准确度. 为此，SVD++算法 [12] 在SVD算法的基础上，引入了用户隐式反馈信息，