基于改进张量分解模型的个性化推荐算法研究

摘要：

[目的]在基于张量分解的个性化推荐中,解决因UGC标签冗余、热门标签和资源影响用户个性化兴趣所导致的推荐准确性降低问题.[方法]提出一种改进的基于张量分解模型的个性化推荐算法,引入标签综合共现结合谱聚类的方法,借鉴TF-IDF中IDF的思想提出一种基于共现标签和资源的热门惩罚机制,对基于<用户,标签簇,资源>三元关系的初始张量进行重新定义.[结果]基于Last.fm数据集的仿真实验结果表明,从准确率、召回率和F1值各项指标上,本文提出的算法均有良好表现,综合共现谱聚类的引入使得推荐算法在F1值上平均提升5.91％,基于IDF改进初始张量后的推荐算法在F1值上平均提升1.29％.[局限]未针对其他领域的数据集进行验证,如微博、Delicious等.[结论]基于改进的张量分解模型的个性化推荐算法能够显著提高准确性,有利于社交网络环境下提供更令用户满意的资源.

关键词：个性化推荐、UGC、标签、标签共现、谱聚类、张量分解

分类号：F224.39;TP391;TP181(经济计算、经济数学方法)

资助基金：国家社会科学基金项目“中国特色的网络消费调查研究”项目10BGL027的研究成果之一

在线出版日期：2017-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：38-45