کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6874976 1441466 2018 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An Optimized trust model integrated with linear features for cyber-enabled recommendation services
ترجمه فارسی عنوان
یک مدل اعتماد بهینه که با ویژگی های خطی برای خدمات توصیه شده مبتنی بر سایبر است
کلمات کلیدی
مدل عامل دلپذیر، فضای مجازی، محله محترم، ویژگی پر کردن، شروع سرد
ترجمه چکیده
رشد فضای سایبر اطلاعات بیشتری را در اختیار توصیه خدمات قرار می دهد. نمرات مورد در اکثر الگوریتم های توصیه شده مورد استفاده قرار می گیرند، اما ویژگی های کاربران و موارد به ندرت در توصیه های اعتماد در فضای مجازی دخیل هستند. هر دو ویژگی رتبه بندی و اطلاعات ویژگی برای نتایج توصیه اعتماد مهم هستند. در این مقاله، ما اطلاعات ناهمگن در فضای مجازی را تلفیق می کنیم و مدل پیشنهادی اعتماد جدید را بر اساس مدل فاکتور ناپیوسته و مدل سازگاری محله های قابل اعتماد پیشنهاد می دهیم. ما از مدل مبتنی بر ویژگی عامل باقیمانده استفاده می کنیم و مدل های یکپارچه خطی را مطالعه می کنیم. برای حل مشکل شکست مدل فاکتور ناپیوسته در مدل یکپارچه تحت شرایط سرماخوردگی، ما دو روش بهینه سازی شده ارائه می دهیم که شامل روش پر کردن بر اساس ویژگی شباهت و روش پر کردن بر اساس رگرسیون ویژگی از طریق ویژگی های نقشه برداری به ویژگی های. نتایج تجربی نشان می دهد که روش بهبود یافته توصیه های مشترک سنتی از نظر دقت توصیه می شود. در ضمن، روش پیشنهادی ما به دلیل عدم وجود مشکل سرد شروع به تایید شدن است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
یک مدل اعتماد بهینه که با ویژگی های خطی برای خدمات توصیه شده مبتنی بر سایبر است
چکیده انگلیسی
The growth of cyberspace brings more information to service recommendation. The scores of item are used in most of the recommendation algorithms, but the attributes of users and items are rarely involved in trust recommendation in cyberspace. Both the rating features and attribute information are important for trust recommendation results. In this paper, we combine the heterogeneous information in cyberspace and propose a novel trust recommendation model based on the latent factor model and trusty neighborhood fitting model. We utilize the feature based Latent Factor Model and study the linear features integrated model To solve the failure problem of the latent factor model in the integrated model under the cold-start situations, we propose two optimized methods, which contain the filling method based on feature similarity and the filling method based on feature regression through mapping attributes to features. Experimental results show that the improved method outperforms traditional collaborative recommendation in terms of recommendation accuracy. Meanwhile, our proposed method has been verified to free from the impact of the cold-start problem.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Parallel and Distributed Computing - Volume 118, Part 1, August 2018, Pages 81-88
نویسندگان
, , , ,