由我院郭良敏副教授等人完成的一项“基于多因素随机游走的协同过滤推荐”的研究成果被顶级期刊Engineering Applications of Artificial Intelligence录用并出版。

信任关系可以提高推荐准确性，但受到数据稀疏性影响。随机游走可获取用户间的行为关系，可补偿数据的稀疏性。然而，现有随机游走方法会产生价值不大甚至是干扰的信息，从而影响推荐准确性。针对这些问题，本研究提出了一种基于多因素随机游走的协同过滤推荐方法。该方法基于评分时间、用户属性偏好、共同好友数量，更准确地计算当前用户对其他用户的综合信任值，以确定当前用户的信任邻域，从而准确方便地获得与当前用户偏好相近的可信用户作为相邻用户，缓解了信任关系的稀疏性。使用多个相邻用户对目标项目或类似项目的评分来获得目标项目的最终预测评分，以提高推荐准确性。此外，为了避免在游走过程中产生影响预测精度的评分，基于当前游走的深度、综合信任值、项目相似度做出停止游走的决定，进一步提高推荐准确性。在两个数据集上的实验结果表明，该方法在稀疏数据和冷启动用户下均具有好的推荐效果（如图1和图2）。成果论文题目为“Collaborative filtering recommendations based on multi-factor random walks”，由我院郭良敏副教授为第一作者。

EAAI（Engineering Applications of Artificial Intelligence）是聚焦人工智能方法在工程领域应用的国际顶级期刊。2022-2023的影响因子（IF）为8.0。在中国科学院期刊分区中，位列“计算机科学”中“工程：综合”小类学科第一区，TOP期刊。