40、信任 - 不信任感知推荐与简单问答实体关系联合检测

信任 - 不信任感知推荐与简单问答实体关系联合检测

信任 - 不信任感知推荐

在当今的推荐系统领域，用户之间的信任关系逐渐成为提升推荐性能的关键因素。近年来，将用户信任关系融入推荐模型已成为研究热点。用户之间的信任程度会显著影响他们对推荐项目的接受度，相互信任的用户更倾向于接受对方推荐的项目，而相互不信任的用户则不太可能接受。

相关工作

• 矩阵分解 ：1999 年，Lee 和 Seung 首次引入矩阵分解方法，该方法在预测和推荐等多种应用场景中得到广泛应用。待近似的评分矩阵 R 通常是稀疏且低秩的，矩阵分解的目的是预测 R 中缺失的（未知）值。为了放松低秩假设，一些研究引入了局部低秩的概念，并通过子矩阵分解和近似来解决推荐问题。Ding 等人还提出了一种凸和半非负矩阵分解方法。
• 基于信任的推荐 ：社交信息对推荐的影响已得到广泛认可。最早由一些研究者提出基于信任的推荐，随后部分研究人员将信任感知推荐建模到目标函数中并取得显著成效。Forsati 等人提出利用显式的信任和不信任侧信息来提高推荐性能，类似的工作也有很多。
• 距离度量学习 ：2003 年，Xing 首次提出距离度量学习，它是一种用于学习邻接矩阵中距离的信息理论模型，已成功应用于聚类、音乐学习、分类和人脸识别等领域。在本文中，我们使用度量学习来学习任意用户对之间的距离，并将其作为矩阵分解的正则化项。

动机与贡献

社交网络本质上是稀疏且低秩的，矩阵分解是学习协同过滤潜在特征的有效方法。为避免过拟