摘要：现有的推荐算法引入用户显式信任,可以有效地提高推荐精度,但没有充分挖掘社交关系,而间接信任在社交信息中具有更加丰富的潜在价值,进一步影响到推荐质量。虽然对于间接信任也存在相关研究,但是计算复杂,采取的信任传递路径不充分。故此,通过信任传递网络图,将各分支节点与总路径节点比例经过逐节点相乘的方式全局获取信任间接值,然后采用信息熵分析用户社交信任关系的实际表现,调整信任,以形成间接信任的计算模型IpmTrust,并以此模型设计一种考虑用户间接信任的推荐算法GITCF。该算法利用高斯模型对评分矩阵进行填充,然后采用修正的余弦计算用户相似度。通过IpmTrust计算间接信任后,将用户信任与相似度进行一定线性加权融合,最后采用改进的近邻预测进行推荐。实验在Matlab仿真平台上进行,对RMSE,MAE两个指标评测,将GITCF与现有的推荐算法、传统推荐算法做比较。GITCF的推荐精度比现有推荐的推荐精度提高了近7%,也高于不含信任的传统推荐的推荐精度。实验结果表明,IpmTrust模型有一定的有效性,设计的推荐算法可改善推荐结果的质量。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社