融合信任用户间接影响的个性化推荐算法

　　为了解决推荐系统中固有的数据稀疏性和冷启动问题，通常会采用一些额外的与用户或是项目有关的信息。提出了一种新颖的基于矩阵因子分解的推荐算法，其结合了其他用户对于活动用户未来评分的间接影响作用，并进一步将社交网络中的信任关系融入到算法中。同时，为了避免学习参数时过度拟合，引入了一种加权的正规化因子。最后针对一般情况和冷启动情况，分别在Epinions数据集和Ciao数据集上进行了实验。实验结果表明，相比于其它相关算法，本算法在推荐准确性上有了很大的提高，同时能更好地解决相关问题。