تركيب تجزيه نامنفي ماتريسي با روابط اعتماد براي توصيه در شبكه‌هاي اجتماعي

Combining Nonnegative Matrix Factorization technique with Trust Relationships for Recommendation in Social Networks

سيستم‌هاي توصيه‌گر، يكي از ابزارهاي مؤثر براي كمك به كاربران است تا آيتم‌هاي مورد علاقه خودشان را پيدا كنند. سيستم‌هاي پالايش گروهي يكي از مشهورترين الگوريتم‌هاي توصيه به‌شمار مي‌روند و در كارهاي تجاري مختلفي استفاده شده‌اند. اما اين سيستم‌ها در برخورد با كاربران و كالاهايي( آيتم‌هايي) كه اطلاعات كمي از آن‌ها وجود دارد ( كاربران يا كالاهاي با شروع سرد) دارند، كارايي ضعيفي از خود نشان مي‌دهند. براي مقابله با اين چالش، در اين مقاله، يك روش جديد مبتني بر اطلاعات شبكه اجتماعي كاربران ارائه مي‌شود كه اطلاعات اعتماد بين كاربران را با تجزيه نامنفي ماتريس تركيب مي‌كند تا يك مدل مناسب براي توصيه به كاربر ايجاد شود. روش پيشنهادي اطلاعات مهم مانند، رتبه و اعتماد را براي كاهش پراكندگي داده و برخورد با مشكلات ناشي از شروع سرد، استفاده مي‌كند. به‌علاوه، در روش پيشنهادي از راه‌كار بهينه‌سازي جهت متناوب براي افزايش همگرايي الگوريتم و كاهش پيچيدگي زماني به‌طور مناسبي استفاده مي‌شود. براي ارزيابي روش پيشنهادي چندين آزمايش روي دو مجموعه داده معتبر و مشهور انجام شده است. نتايج تجربي نشان مي‌دهد كه روش پيشنهادي، به‌ويژه، براي كاربران شروع سرد عملكرد بهتري نسبت به روش‌هاي جديد، براي توصيه در شبكه‌هاي اجتماعي دارد.

Recommender systems has shown as effective tools that are proposed for helping users to select their interested items. Collaborative filtering is a well-known and frequently used recommender system applied successfully in many e-commerce websites. However, these systems have poor performance while facing cold-start users (items). To address such issues, in this paper, a social regularization method is proposed which combines the social network information of users in a nonnegative matrix factorization framework. The proposed method integrates multiple information sources such as user-item ratings and trust statements to reduce the cold-start and data sparsity issues. Moreover, the alternating direction method is used to improve the convergence speed and reduce the computational cost. We use two well-known datasets to show that the proposed method performs much better, especially for cold start users, than state-of-the-art recommendation methods for recommendation in social networks.