基于信任扩展和列表级排序学习的服务推荐方法

摘要：

针对传统基于信任网络的服务推荐算法中信任关系稀疏以及通过QoS预测值排序得到的服务推荐列表不一定最符合用户偏好等问题,提出基于信任扩展和列表级排序学习的服务推荐方法(TELSR).在分析服务排序位置信息的重要性后给出概率型用户相似度计算方法,进一步提高相似度计算的准确性;利用信任扩展模型解决用户信任关系稀疏性问题,并结合用户相似度给出可信邻居集合构建方法;基于可信邻居集合,利用列表级排序学习方法训练出最优排序模型.仿真实验表明,与已有算法相比,TELSR在具有较高推荐精度的同时,还可有效抵抗恶意用户的攻击.

关键词：服务推荐、排序学习、概率型用户相似度、信任关系

所属期刊栏目：39

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61303074,61309013;河南省科技攻关计划基金资助项目No.12210231003The National Natural Science Foundation of China61303074,61309013;Henan Science and Technology Research Project12210231003

在线出版日期：2018-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：147-158