融合社交信息的矩阵分解推荐方法研究综述

来源：软件学报杂志2018年第2期北京时间：

作者：刘华锋,景丽萍,于剑

单位：刘华锋，交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044;北京交通大学 计算机与信息技术学院, 北京 10004411,景丽萍，交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044;北京交通大学 计算机与信息技术学院, 北京 10004402,于剑，交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044;北京交通大学 计算机与信息技术学院, 北京 10004403

摘要：随着社交网络的发展，融合社交信息的推荐成为推荐领域中的一个研究热点.基于矩阵分解的协同过滤推荐方法（简称矩阵分解推荐方法）因其算法可扩展性好及灵活性高等诸多特点，成为研究人员在其基础之上进行社交推荐模型构建的重要原因.围绕基于矩阵分解的社交推荐模型，依据模型的构建方式对社交推荐模型进行综述.在实际数据上，对已有代表性社交推荐方法进行对比，分析各种典型社交推荐模型在不同视角下的性能（如整体用户、冷启动用户、长尾物品）.最后，分析了基于矩阵分解的社交推荐模型及其求解算法存在的问题，并对未来研究方向与发展趋势进行展望.

关键词：推荐系统;矩阵分解;社交推荐;社交网络;协同过滤

基金资助：国家自然科学基金（61370129，61375062，61632004）