增强二部图网络推荐算法：解决数据稀疏与冷启动问题

"这篇论文提出了一种新的推荐算法，该算法解决了协同过滤推荐中的数据稀疏性和冷启动问题，通过构建增强的二部图网络结构并结合信任计算和用户偏好来提升推荐质量。作者是张岐山和文闯，发表在《计算机系统应用》2019年第四期上。实验结果表明，该方法在平均绝对误差和召回率上优于三种基准算法，从而优化了推荐效果。" 协同过滤推荐算法是一种常见的个性化推荐技术，它基于用户历史行为来预测用户可能的兴趣，但在大规模数据集上往往面临数据稀疏性和冷启动问题。数据稀疏性指的是用户和项目的交互数据不足，导致难以发现用户的兴趣模式；冷启动问题是指新用户、新项目或新环境下缺乏足够的历史数据来生成有效的推荐。 为了解决这些问题，研究者引入了基于用户-项目二部图的信任计算。二部图网络将用户和项目分别作为两个节点集合，通过边表示用户对项目的评分或交互，通过分析这些边的结构可以揭示用户间的潜在联系。信任计算旨在识别和利用这些联系，提高推荐的准确性。 本文提出的推荐算法融合了两种机制：一是改进的加权用户-项目自适应繁殖信任度计算，这允许算法根据用户的历史行为动态调整信任度，从而更好地捕捉用户兴趣的变化；二是用户偏好的增强信任度机制，它考虑了用户对不同项目类型的偏好，以更准确地反映用户的真实需求。 此外，算法还结合了JMSD（Jaccard距离的曼哈顿距离）相关系数，这是一种衡量用户兴趣相似性的指标。通过线性加权JMSD，算法能够综合评价用户之间的相似度，进一步提升推荐的精度。 实验部分，作者使用了两组数据集对比了改进的算法模型与三种基准算法，结果显示改进后的算法在平均绝对误差（MAE）上表现更优，这意味着推荐错误更少；同时，召回率（Recall）的提高意味着算法能够更有效地找出用户可能喜欢的项目，从而提升了推荐的全面性。 这篇论文提出的基于增强二部图网络结构的推荐算法通过综合信任计算、用户偏好和相似度度量，有效地应对了协同过滤中的挑战，提高了推荐系统的质量和效率。这种创新的方法对于未来推荐系统的设计和优化提供了有价值的参考。