基于張量分解的新用戶標(biāo)簽推薦研究.pdf

1、由于社會(huì)網(wǎng)絡(luò)信息的急速增長(zhǎng)，用戶很難快速獲得準(zhǔn)確的信息。社會(huì)標(biāo)簽推薦技術(shù)旨在通過用戶的歷史行為，向用戶主動(dòng)推薦標(biāo)簽或資源，讓用戶從海量的信息中找到有價(jià)值的信息，同時(shí)讓有價(jià)值的信息實(shí)現(xiàn)共享。近來張量分解模型被應(yīng)用于社會(huì)標(biāo)簽推薦系統(tǒng)中以獲得高質(zhì)量的推薦結(jié)果。因此本文主要研究社會(huì)標(biāo)簽張量分解模型以及在這些張量分解模型基礎(chǔ)上對(duì)新用戶問題的有效解決方法。
　　 本文在Tucker和ParaFac兩種傳統(tǒng)張量分解模型的基礎(chǔ)上，通過更新原始張

2、量分解模型，提出相應(yīng)的新用戶標(biāo)簽推薦算法，為新用戶進(jìn)行標(biāo)簽推薦。在Last.fm、Bibsonomy、Movielens三個(gè)真實(shí)數(shù)據(jù)集上，對(duì)提出的兩種新用戶張量標(biāo)簽推薦算法進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果表明上述兩種新用戶標(biāo)簽推薦算法在精確度和召回率上有很大提高。
　　 Tucker和ParaFac兩種傳統(tǒng)張量分解模型中高維張量導(dǎo)致了算法具有高階的時(shí)間復(fù)雜度，由于標(biāo)簽數(shù)據(jù)的稀疏性，傳統(tǒng)張量分解標(biāo)簽推薦算法存在過擬合現(xiàn)象，反而降低了推薦算法