第 35卷第 11期
2018年 11月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol.35No.11
Nov.2018
一个改进的物质扩散—热传导混合推荐算法
周海平
1
,沈士根
1
1
,黄龙军
,周洪波
2
(1.绍兴文理学院 计算机科学与工程系,浙江 绍兴 312000;2.贵阳学院 数学与信息科学学院,贵阳 550005)
摘 要:目前已有各种推荐算法来解决互联网的信息过载问题,其中物质扩散算法和热传导算法是近年来颇受
关注的两种推荐算法。物质扩散算法虽然具有较高的准确率,但推荐结果集中在少数热门物品上,缺乏多样性,
而热传导算法虽然具有较好的多样性,但准确率又明显偏低。为了解决这对矛盾,提出了一种混合算法。新算
法在相似性计算模型上融合了两种传统算法的优点,增加了一个调节参数来抑制系统对热门物品的过度推荐。
实验结果表明,在一定的参数条件下,新算法在准确率和多样性两个指标上能够超越传统算法,并且该算法在平
衡准确率和多样性这一对矛盾时表现得比传统算法更好。
关键词:推荐算法;准确率;多样性;物质扩散;热传导
中图分类号:TP301.6 文献标志码:A 文章编号:10013695(2018)11322404
doi:10.3969/j.issn.10013695.2018.11.006
Enhancedhybridrecommendationalgorithmbasedon
massdiffusionandheatconductionprocesses
ZhouHaiping1
,HuangLongjun1
,ZhouHongbo2
,ShenShigen1
(1.Dept.ofComputerScience&Engineering,ShaoxingUniversity,ShaoxingZhejiang312000,China;2.CollegeofMathematics&Informa
tionScience,GuiyangUniversity,Guiyang550005,China)
Abstract:Uptonow,researchersdevelopedmanyrecommendationalgorithmstosolveinformationoverloading.Massdiffu
sionandheatconductionaretwopopularalgorithmswhichreceivewidelyattentioninrecentyears.However,therearestill
somedefectsforthetwoalgorithms.Forexample,thoughthemassdiffusionalgorithmisofhighaccuracy,thediversityofthe
recommendationresultsisnotgood.Heatconductionalgorithmisjusttheopposite,whichishighindiversity,butlowinaccu
racy.Inordertosolvethecontradiction,thispaperproposedahybridalgorithmbasedonmassdiffusionandheatconduction.
Thenewalgorithmnotonlymixedtheadvantagesoftwotraditionalalgorithms,butalsoaddedanadjustingparametertore
straintheexcessiverecommendationofpopularitems.Theexperimentalresultsshowthatthenewalgorithmdoesbetterinboth
indicatorswhenproperparameterisset.Meanwhile,thesystemcanreachabetterbalancebetweenprecisionanddiversity.
Keywords:recommendationalgorithm;precision;diversity;massdiffusion;heatconduction
引言
互联网技术的进步给人类的生活带来了极大的便利,如今
人类的很多消费活动都可以通过互联网进行,人们在享受互联
网技术革命带来的便利的同时也面临着另一项挑战———信息
过载。例如,当用户在网上搜索某个产品时,系统总会提供成
千上万的选项供其选择,如何从这数以万计的选项中找到自己
真正需要的产品是一个极为重要的问题[1~4],推荐系统就是在
这样的背景下产生的。推荐系统的目的是为用户在众多选项
中找到其满意的内容。尽管搜索系统也能完成相似的功能,但
其与推荐系统存在较大的区别,搜索系统需要用户提供关键
法[5~8],该算法简单有效,很快被应用于各个行业。尽管该算
法具有较高的准确率,但是却偏重推荐热门产品,缺乏多样性。
之后,很多学者又提出了很多其他算法,如降维算法[9,10]、信息
扩散算法[11~13]及各种改进算法[14~18]。这些算法各有特点,有
的具有较高的命中率,但多样性又不足;有的能够保证推荐结
果的多样性,但命中率又太低。例如,文献[11]提出的物质扩
散算法具有较高的推荐准确率,运算速度也很快,但其推荐结
果多集中于热门物品。热门物品知名度比较高,用户可能早就
知道热门物品的信息,所以这样的推荐意义不大;相反,如果算
法能够给用户推荐一些比较冷门且用户感兴趣的物品,则更能
吸引用户。为了提高推荐物品的多样性,文献[12]提出了一
词,并且所有用户搜到的结果都是一样的,无法满足用户的个
种类似热传导的推荐算法,该算法增加了推荐冷门物品的权
性化需求;推荐系统不需要用户提供搜索关键词,而是直接根
据用户之前的历史活动推断用户的兴趣和偏好,从而为用户推
重,使推荐结果的多样性大大提高,遗憾的是该算法的准确率
又明显不足。文献[14,15]在热传导算法中分别考虑了偏好
荐其喜欢的产品。近年来,随着互联网应用领域的急剧扩张,
扩散及网络权重等因素,并在一定程度上提高了准确率,但在
推荐系统正变得越来越重要,它已成为学术界和工业界共同的
平衡准确率和多样性这对矛盾时仍然不够理想。
研究热点。
为了在准确率与多样性之间达到更好的平衡效果,本文在
早期的推荐算法基于一种朴素的认识,即相似用户倾向于
物质扩散和热传导算法的基础上提出了一种混合算法。该算
法一方面在相似性计算模型上融合了两种传统算法的优点,另
购买相同的产品,基于这种思想,人们提出了协同过滤推荐算
收稿日期:20170611;修回日期:20170724 基金项目:国家自然科学基金资助项目(11247286);贵州省自然科学基金资助项目
(LH[2014]7210,LH[2015]7294)
作者简介:周海平(1978),男,江西宜春人,教授,博士,主要研究方向为推荐算法(hpzhou2885@163.com);沈士根(1974),男,教授,博士,主要研
究方向为无线传感网;黄龙军,讲师,博士,主要研究方向为电磁纳米网络;周洪波(1977),女,讲师,硕士,主要研究方向为推荐系统.
第 11期
周海平,等:一个改进的物质扩散—热传导混合推荐算法
一方面增加了一个调节参数来抑制系统对热门物品的过度推
荐。基于 MovieLens和 Last.fm数据集的实验结果表明,本文
提出的新算法在平衡准确率和多样性这两个指标上表现得比
传统算法更好。
方法与模型
推荐系统的目标是预测用户与物品之间的某种联系。用
户与物品之间的关系可以用一个二分网络 G(U,O,E)来描述,
其中:U={u1,u2,…,um}代表用户集合;O={o1,o2,…,on}代
表物品集合;E={e1,e2,…,en}代表用户与物品的关系集合。
这个二分网络可以用一个邻接矩阵 A表示,矩阵的元素 aiα记
录了用户与物品之间的关系。若 aiα=1,表示用户 i购买了物
品 α;反之,若 aiα=0,则表示用户 i没有购买物品 α。推荐系
统的目的就是根据用户已经购买过的物品推荐其感兴趣但又
尚未购买的物品。该过程首先需要计算出物品与物品之间的
·5223·
表示用户 i是否购买了商品 α,如果购买了其值为 1,否则其值
为 0;wαβ的值为从 β扩散到 α的资源数量,表示购买了 β的用
户还会购买 α的概率,值得注意的是 wαβ≠wβα,也就是说两个
商品之间相互推荐的权重是不一样的。
wαβ=1
kβ
∑m
i=1
aiαaiβki
(1)
利用该方法可以计算出任意两个商品之间的相似性,并由
此生成一个有向含权投影网络。与该网络对应的是一个扩散
转移矩阵 W,W 中的每一个元素 wαβ的值表示资源从 β节点扩
散到 α节点的数量,代表购买了商品 β的用户还会购买商品 α
相似性,然后再根据目标用户已购买的物品与其他物品之间的
的概率。显然这个值比简单投影方法能更加精确地刻画物品
相似性计算其购买其他物品的概率,最后根据购买概率从大到
小的次序将其他物品推荐给目标用户。这个过程最关键的步
骤就是计算相似性,现有的各种推荐算法的主要区别在于相似
性计算方法的不同。
假设图 1(a)表示的是用户与商品之间的购买关系,如果
要对某个用户推荐商品,最容易想到的一种办法就是先看一下
该用户曾经购买过什么商品,然后给他推荐与其购买过的商品
最相似的物品。由于二分网络只记录了用户与商品之间的关
系,所以需要对用户与商品之间的关系进行投影,从而得到商
品与商品之间的相似关系。最简单的一种投影方式就是判断
两件不同的商品是否被同一用户购买,如果存在共同的购买
者,则说明这两件商品之间存在一定的相似度,在对应的投影
网络中这两件商品之间便产生了一条连边。例如,对图 1(a)
所示的二分网络进行投影后便得到图 1(b)所示的商品相似关
系网络,如果投影网络中两个商品之间存在连边,则说明这两
个商品是相似的。接下来就可以利用商品相似关系网络对用
户进行商品推荐。例如,由图 1(a)得知用户 u1 购买了商品 o1
和 o2,又根据图1(b)可知商品 o4与商品 o1、o2都相似,因此可
以把商品 o4推荐给用户 u1。
之间的相似性,因为它不仅考虑了两物品的共同用户数,还适
当降低了度大的用户节点的权重。假设 f(i)α 表示用户 i是否购
买过商品 α,f(i)α =1表示购买过;f(i)α =0表示没有购买过,f(i)
表示用户 i对所有物品的购买向量,由 Wf(i)就可以计算出用
户 i对所有物品的购买意向,由此可以得到推荐列表。虽然物
质扩散算法得到的推荐准确率比较高,但是该算法得到的推荐
结果多集中在热门物品上,推荐结果的多样性不太理想。从式
(1)可以看出,假如 α是一个热门物品,而 β是一个冷门物品,
也就是说 kα>kβ,则有 wαβ>wβα。这意味着热门物品容易被推
荐,而冷门物品不容易被推荐,因此该算法倾向于推荐热门物
品。一般来说一个系统中的热门物品只占少数,如果算法对每
个用户都倾向推荐少数热门物品,则该算法推荐的物品既没有
新意也缺乏多样性。为了弥补这个缺点,文献[12]提出了一
种类似热传导的算法(heatconduction)。该算法在计算物品之
间的相似性时将被推荐物品的度作为分母,刻意降低了热门物
品被推荐的权重。其相似度如式(2)所示,在这种情况下,若
kα>kβ,则有 wαβ<wβα。
wαβ=1
kα
∑m
i=1
aiαaiβki
(2)
显然,该公式降低了热门物品被推荐的概率,并提高了冷
门物品被推荐的概率。一般情况下,一个系统中冷门物品所占
的比例非常大,因此该算法给出的推荐列表具有较高的多样
性,但是该算法的准确率明显低于物质扩散算法。
由前面的分析可知,物质扩散算法和热传导算法在准确率
及多样性两种指标上正好呈现相反的特点,因此,本文首先想
前面的投影方法得到的投影网络是一个无权网络,该网络
到将两种算法融合起来,这样可以发挥两个算法各自的优势,
反映了两用户之间是否存在相似性,而无法刻画相似程度的大
小。基于此,文献[11]提出了一种物质扩散算法来改进这种
在准确率与多样性之间达到一个平衡。融合后的模型如 式
(3)所示。后面的实验将证明该模型能够使算法在保持较高
投影存在的缺陷。其方法描述如下:在二分网络中选择一个商
品节点 β,在该节点上放置一个单位的资源,该资源先从 β节
点以均分的方式扩散到与其相连的用户节点,然后再以同样的
方式从用户节点扩散到商品节点,此时商品节点上资源的数量
就代表了其与 β节点的相似程度。如图 2所示,如果最初在物
品节点 o1上放置一个单位的资源,经过两步扩散后,o1、o2、o3、
o4上的资源分别是 5/12、5/12、0、1/6。
该扩散过程的资源分配方式可以用式(1)来计算。其中:
kβ表示购买了商品 β的用户数;ki表示用户 i购买过的商品种
数;可以用矩阵 A记录用户与商品之间的购买关系,其元素 aiα
准确率的情况下大大提高推荐结果的多样性。
wαβ= 1
∑m
kαk槡 β
i=1
aiαaiβki
(3)
进一步观察发现,以上三个模型包含了一个共同的求和项
aiαaiβki
∑m
,在文献[18]中,该项也被称为资源分配因子(resource
i=1
allocationindex,RA)。通过分析发现,RA的的大小与其项数 m
的值有关,m越大则 RA的值也越大,m表示两个物品共同的
用户数。一般情况下,被推荐物品的度越大,m的值也越大。
也就是说,如果相似性模型含有 RA,则算法就会倾向于推荐
·6223·
计 算 机 应 用 研 究
第 35卷
热门物品。由于热门物品在系统中所占的比例很少,所以当系
这种情况下,如果算法推荐的物品过多地集中在热门物品中,
统推荐的物品过多地集中于热门物品时,其多样性就会降低。
为了进一步降低热门物品的权重,在式(3)的基础上再增加一
个指数调节因子 σ,改进后的模型如式(4)所示。当 σ>1时,
算法倾向于推荐热门物品,提高准确率;当 σ<1时,算法倾向
于推荐冷门物品,提高多样性。因此,通过调节 σ可以进一步
固然能够提高推荐的准确率,但同时也会导致多样性的降低。
平衡算法的准确率和多样性。
wαβ= 1
kαk槡 β
∑m
i=1
aiαaiβk
i
σ
(4)
评价指标
由于本文主要针对准确率和多样性对算法的效果进行评
价,下面对这两个指标的计算方法进行介绍。
1)准确率 准确率是指推荐列表中有多大比例的物品是
用户真正喜欢的。对于一个目标用户 i,推荐算法会计算出该
用户购买每个物品的概率,根据概率对用户未购买的物品进行
降序排列,取前 L个物品生成推荐列表。假设这 L个物品中有
di(L)个物品出现在测试集中,则针对用户 i的推荐准确率为
Pi(L),整个系统的推荐准确率 P(L)便为所有 Pi(L)的平均值。
(5)
(6)
2)多样性 多样性是指给用户推荐的物品的分散程度。
Pi(L)=di(L)L
P(L)=1
m∑m
i=1Pi(L)
如果给不同用户推荐的物品重复率很高,则推荐的多样性就很
低;反之,多样性就高。对于任意两个用户,首先计算他们的推
荐列表的共同物品数 Cij(L),于是两个用户的推荐列表的多样
性指标可用式(7)来计算。
Dij(L)=1-Cij(L)L
(7)
整个系统的多样性指标为所有用户对的多样性的平均值,
可由式(8)计算。
D(L)= 2
m(m-1)
∑i<jDij(L)
(8)
实验数据
本文分别采用 MovieLens和 Last.fm两种系统的数据集对
算法进行测试。MovieLens是一个影片评价系统,该系统提供
了用户对影片的评价信息。本文使用了该系统的 943名用户、
1682部影片以及 10万条评分记录。Last.fm是一个音乐社交
平台,该平台记录了用户与歌手之间的收听与被收听关系。本
文使用的数据集包含了该系统 1892名用户、17632名歌手及
92834条收听关系记录。根据这两个数据集可以构造出类似
图 1所示的二分网络,本文算法只考虑用户与影片/歌手之间
是否存在边,而不考虑边的权重。
考虑到影片或歌手的热门程度会对推荐结果的准确率和
多样性产生影响,对这两个数据集的影片和歌手的热度分布情
况进行分析。图 3和 4分别展示了这两个系统中影片和歌手
的热度分布情况。图中横坐标表示影片或歌手的度,即该影片
或歌手对应的用户数;纵坐标表示拥有一定用户数的影片或歌
结果与讨论
实验结果
将数据集中的记录随机分为两部分,其中 80%的记录用
做训练集,另外 20%的记录用做测试集。利用训练集中的数
据运行算法,然后将得到的推荐列表与测试集中的真实记录进
行比较,从而判断算法的运行效果。新算法在两种数据集中的
推荐效果如图 5~8所示。
图 5、6所示的是新算法分别在影片推荐和歌手推荐中的
准确率和多样性随调节参数 σ的变化情况。从图中可以看
出,不论对于哪个数据集,准确率和多样性都随 σ的增加呈现
两种相反的变化趋势,其中准确率随 σ的增加而增大,而多样
性随 σ的增大而减小。
由于准确率和多样性是一对矛盾,在调节参数 σ时,如果
准确率增加了,则必然会导致多样性降低,在实际应用中需要
选取合适的参数值来平衡准确率和多样性,不要使其中的任何
一个指标太低。为了综合考虑两个指标,本文将准确率和多样
性之和作为一个综合指标进行考察。图 7、8是综合指标随调
节因子 σ的变化情况,从图中可以看到,综合指标随着 σ的增
大先升高后下降,对于 MovieLens影片推荐系统来说,当 σ=
0.7时,综合指标取得最优值 1.5782,而对于 Last.fm歌手推
荐系统来说,当 σ=1.2时,综合指标取得最优值 1.6154。
为了展示本文算法的优势,将本文算法与传统算法在三个
指标上进行对比,表 1和 2展示了各种算法在 MovieLens和
Last.fm数据集上运行的结果。由于这两个表所反映的现象一
致,所以下面仅对表1的结果进行分析。当 σ=1.0时,本文的
模型将由式(4)退化为式(3)所示的简单混合模型。此时算法
的准确率和多样性分别为 0.8357和 0.7254,这两个值都介
手的比例。从图中的分布趋势可看出,影片和歌手的热度分布
于物质扩散与热传导算法的相应指标之间。因此,单独从准确
都呈现了长尾分布的特点,其中绝大多数影片和歌手对应的用
户数都不超过 10,只有极少数影片和歌手拥有超过 100个用
率或多样性来看,该算法并不具有绝对优势,但是该模型能够
在两个指标之间保持较好的平衡,不会出现一个指标很高而另
户,这说明数据集中的热门影片和歌手所占的比例非常少。在
一个指标很低的情况,且其综合指标要明显优于两种传统算法
第 11期
(准确率与多样性之和高于物质扩散和热传导算法)。当 σ=
1.5时,本文算法可将准确率提高至 0.8795,该指标同时优于
两种传统算法,且此时多样性能达到 0.6436,优于物质扩散算
法,并且此时的综合指标 也 优 于 两 种 传 统 算 法。当 σ=0.6
时,本文算法将多样性提高到了 0.8801,该指标同时优于两种
传统算法,且此时的准确率达到了 0.6611,优于热传导算法,
并且此时的综合指标也优于两种传统算法。以上分析说明本
文可以通过调节参数 σ,使算法在某个指标取得绝对优势时同
时保证另一个指标保持相对优势。
算法
热传导算法
物质扩散算法
1.4758
1.1202
1.5611
1.5231
1.5412
1.5782
表 1 新算法与传统算法的性能比较(MovieLens数据集)
precision diversity precision+diversity
0.8653 0.6105
0.2568 0.8634
混合算法 (σ=1.0) 0.8357 0.7254
混合算法(σ=1.5) 0.8795 0.6436
混合算法(σ=0.6) 0.6611 0.8801
混合算法(σ=0.7) 0.7633 0.8149
表 2 新算法与传统算法的性能比较(Last.fm数据集)
precision diversity precision+diversity
0.8502 0.7152
0.0536 0.9692
混合算法 (σ=1.0) 0.7296 0.8719
混合算法(σ=1.5) 0.8590 0.7548
混合算法(σ=0.6) 0.4484 0.9712
混合算法(σ=1.2) 0.7965 0.8189
讨论
从前面的分析可知,只要将参数 σ设置为适当的值,就可
1.5654
1.0228
1.6015
1.6138
1.4196
1.6154
物质扩散算法
热传导算法
算法
以使新算法的准确率和多样性分别超过物质扩散算法和热传
导算法,并且新算法能够在准确率与多样性之间达到较好的平
衡,只要参数设置合理,就不会出现一个指标很高而另一个指
标很低的情况。新算法推荐效果的提高主要得益于两方面的
改进,第一个改进是将物质扩散和热传导算法在形式上作融
合,在新模型中用
代替了
及
,这样使新算法融合了
1
kαk槡 β
1
kα
1
kβ
两种传统算法各自的优势,从而保证算法能在准确率与多样性
之间进行平衡;另一个改进是在模型中对∑m
i=1
指数因子 σ,从∑m
i=1
aiαaiβki
公式可以看出,该项的值与其所包含的
aiαaiβki
加入了一个
项数有关。如果一部影片很热门,即观看该影片的用户很多,
σ
则该公式对应的项数就多,其值也就大,所以该公式对热门影
的值来适当抑制热门影片被推荐的权重,并同时提高冷门影片
片的推荐更有利。对该公式加上指数 σ后,可以通过调节 σ
被推荐的权重。当 σ>0时,随着 σ的增大,热门影片与冷门
影片在 ∑m
上的差距会不断增大,也就是说增大 σ会
i=1
增加热门影片被推荐的机会,而减小 σ则可以相对提高冷门
法倾向于推荐热门影片时,系统的准确率就会提高,所以当 σ
增大时算法的准确率会增大。另外,由图 3和 4可知,热门影
影片被推荐的机会。由于大部分用户都喜欢看热门影片,当算
aiαaiβk
i
片占的比例很小,而冷门影片占的比例很大,当系统给用户的
推荐集中在少数热门影片时,推荐的多样性就会很低,所以当
σ增大时多样性就会减小。在实际应用中,本文可以通过调节
参数 σ,在保证准确率满足要求的前提下尽量提高多样性。
结束语
推荐结果的准确率和多样性是推荐算法的两个重要指标。
周海平,等:一个改进的物质扩散—热传导混合推荐算法
·7223·
传统的物质扩散算法为了提高推荐的准确率而加大了对热门
产品的推荐权重。由于很多电子商务系统的产品热度呈长尾
分布,热门产品只占极少的比例,这导致推荐结果的多样性大
打折扣;而热传导算法与之相反,为了提高推荐产品的多样性,
给冷门物品赋予了过多的权重,从而导致推荐结果中存在太多
冷门物品而使得推荐准确率过低。本文通过对传统算法进行
改进,在相似性模型上融合了两个传统模型各自的优点,然后
再对资源分配因子增加一个调节参数,通过调节该参数可以使
推荐结果在准确率与多样性之间达到一个最佳平衡点,从而在
保证系统满足一定准确率的同时提高了推荐的多样性。
推荐质量的评价指标除了本文使用的准确率和多样性之
外,还有很多其他指标,如新颖性、流行率、覆盖率等。如何在
算法中综合考虑更多的评价指标是今后进一步努力的方向。
参考文献:
[1] ZhangGuoqing,ZhangGuoqiang,YangQingfeng,etal.Evolutionof
theInternetanditscores[J].NewJournalofPhysics,2008,10
(12):130.
[2] RicciF,RokachL,ShapiraB,etal.Recommendersystemshand
book[M].2nded.NewYork:Springer,2015:1012.
[3] CaoLongbing.NonIIDrecommendersystems:areviewandframe
workofrecommendationparadigmshifting[J].Engineering,2016,2
(2):212224.
[4] LyuLinyuan,MedoM,YeungCH,etal.Recommendersystems
[J].PhysicsReports,2012,519(1):149.
[5] GoldbergD,NicholsD,OkiBM,etal.Usingcollaborativefiltering
toweaveaninformationtapestry[J].CommunicationsoftheACM,
1992,35(12):6170.
[6] 郭兰杰,梁吉业,赵兴旺.融合社交网络信息的协同过滤推荐算法
[J].模式识别与人工智能,2016,29(3):281288.
[7] 王玉斌,孟祥武,胡勋.一种基于信息老化的协同过滤算法[J].电
子与信息学报,2013,35(10):23912396.
[8] 周海平,黄凑英,刘妮,等.基于评分预测的协同过滤推荐算法
[J].数据采集与处理,2016,31(6):12341241.
[9] 赵长伟,彭勤科,张志勇.混合因子矩阵分解推荐算法[J].西安交
通大学学报,2016,50(12):8791.
[10]KorenY,BellR,VolinskyC.Matrixfactorizationtechniquesforre
commendersystems[J].Computer,2009,42(8):3037.
[11]ZhouTao,RenJie,MedoM,etal.Bipartitenetworkprojectionand
personalrecommendation[J].PhysicalReview E,2007,76(2):
046115.
[12]ZhangYicheng,BlattnerM,YuYikuo.Heatconductionprocesson
communitynetworksasarecommendationmodel[J].PhysicalRe
viewLetters,2007,99(15):154301.
[13]ZhouTao,KuscsikZ,LiuJianguo,etal.Solvingtheapparentdiver
sityaccuracydilemmaofrecommendersystems[J].Proceedingsof
theNationalAcademyofSciences,2010,107(10):45114516.
[14]LiuJianguo,ZhouTao,GuoQiang.Informationfilteringviabiased
heatconduction[J].PhysicalReviewE,2011,84(2):037101.
[15]LiuJianguo,GuoQiang,ZhangYicheng.Informationfilteringvia
weightedheatconductionalgorithm[J].PhysicaA,2011,390(12):
24142420.
[16]LyuLinyuan,LiuWeiping.Informationfilteringviapreferentialdiffu
sion[J].PhysicalReviewE,2011,83(2):066119.
[17]ChenGuilin,GaoTianrun,ZhuXuzhen,etal.Personalizedrecom
mendationbasedonpreferentialbidirectionalmassdiffusion[J].
PhysicaA,2017,469(3):397404.
[18]ChenLingjiao,ZhangZike,LiuJinhu,etal.Avertexsimilarityin
dexforbetterpersonalizedrecommendation[J].PhysicaA,2017,
466(1):607615.