張量模型在推薦系統(tǒng)中的應(yīng)用研究.pdf

1、互聯(lián)網(wǎng)的迅猛發(fā)展使得數(shù)據(jù)量急劇增加。面對海量的數(shù)據(jù)，用戶很難快速找到自己感興趣的物品，信息過載問題由此產(chǎn)生。推薦系統(tǒng)針對不同用戶,分析用戶的歷史行為，依此向用戶推薦他感興趣的物品，可以達到用戶和物品生產(chǎn)者雙贏的局面，很好地解決了信息過載問題。推薦系統(tǒng)已成功應(yīng)用到多個領(lǐng)域，包括電子商務(wù)、電影和視頻、音樂、社交網(wǎng)絡(luò)、閱讀、基于位置的服務(wù)、個性化郵件和廣告等。因此，對推薦系統(tǒng)及推薦算法的研究具有重大意義。
　　早期的推薦算法主要有三類，

2、主要是基于協(xié)同過濾的推薦算法、基于內(nèi)容的推薦算法以及混合算法。社交網(wǎng)絡(luò)的流行以及Web2.0技術(shù)的繁榮發(fā)展，使得推薦系統(tǒng)更加地關(guān)注用戶的社會化信息，社會化推薦系統(tǒng)被提出并得到發(fā)展。同時，更高級的推薦方法也在研究并發(fā)展中，包括深度學(xué)習(xí)法、張量分解法等等。
　　然而，推薦系統(tǒng)依然存在很多挑戰(zhàn)，如數(shù)據(jù)稀疏性問題、冷啟動問題、社會化推薦系統(tǒng)問題。本文主要研究張量模型在推薦系統(tǒng)的應(yīng)用，針對社會化標(biāo)簽推薦和學(xué)術(shù)推薦本文提出了兩種改進的基于張量

3、模型的個性化推薦算法。主要工作包括以下幾個方面：
　　(1)提出圖正則化張量分解標(biāo)簽推薦算法。在傳統(tǒng)張量分解的基礎(chǔ)上，引入用戶關(guān)系矩陣推出的圖拉普拉斯作為正則化項，提高分解的質(zhì)量。
　　(2)提出基于張量模型的學(xué)術(shù)推薦算法Higher-Order MutualRank（HOMR），應(yīng)用于學(xué)術(shù)推薦。HOMR在異構(gòu)的學(xué)術(shù)網(wǎng)絡(luò)下建立張量模型，相比傳統(tǒng)的二階模型有更好的學(xué)術(shù)推薦效果。
　　(3)利用相關(guān)數(shù)據(jù)集（Deliciou