基于迭代细化的恶意推荐发现模型研究
先进的信息技术加速了信息的传播,但同时也导致信息超载问题,海量信息的存在和持续增加使得从相关信息中得到决策信息成为困难。目前越来越多电子商务网站都提供推荐功能,推荐的基础源于信誉系统,这些推荐信息蕴含大量商机,却存在大量冗余,甚至有故意加入的恶意干扰信息。如何过滤噪音信息而得到有用信息是近年来,web挖掘领域的研究热点。本文建立一个面向用户投票推荐的框架系统,以解决海量、冗余数据的净化问题。本文提出一种新方法,用迭代细化对评估数据对投票人和受评者(人或物)同时进行建模,这些评估数据包括每个投票人对受评者的评估分数。实验证明是该方法对多种假定类型的噪声和恶意干扰有较高的净化能力和健壮性。
信誉系统 迭代细化 恶意推荐 评估数据 信息过滤
佘莉 傅彦
电子科技大学计算机科学与工程学院,成都,610054
国内会议
深圳
中文
131-136
2008-04-07（万方平台首次上网日期，不代表论文的发表时间）