基于改进张量分解模型的个性化推荐算法研究-中国科学院科技论文预.PDF

研究论文 基于改进张量分解模型的个性化推荐算法 研究* 陈梅梅 薛康杰 ( 东华大学旭日工商管理学院 上海 200051) 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, 1 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、 v 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 3 5 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 9 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 1 0 利于社交网络环境下提供更令用户满意的资源。