计算机应用
計算機應用
계산궤응용
Journal of Computer Applications
2015年
7期
1979-1983
,共5页
丁小焕%彭甫镕%王琼%陆建峰
丁小煥%彭甫镕%王瓊%陸建峰
정소환%팽보용%왕경%륙건봉
张量分解%高阶奇异值分解%朋友关系%标签%推荐
張量分解%高階奇異值分解%朋友關繫%標籤%推薦
장량분해%고계기이치분해%붕우관계%표첨%추천
tensor factorization%Higher-Order Singular Value Decomposition (HOSVD)%social network%tag%recommendation
针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法.首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐.该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5％和4％,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐.
針對大衆標註網站項目推薦繫統中存在數據矩陣稀疏性影響推薦效果的問題,攷慮矩陣奇異值分解(SVD)能有效地平滑數據矩陣中的數據,以及朋友圈能夠反映齣一箇人的興趣愛好,提齣瞭一種融閤朋友關繫和標籤信息的張量分解推薦算法.首先,利用高階奇異值分解(HOSVD)方法對用戶-項目-標籤三元組信息進行潛在語義分析和多路降維,分析用戶、項目、標籤三者間關繫;然後,再結閤用戶朋友關繫、朋友間相似度,脩正張量分解結果,建立三階張量模型,從而實現推薦.該模型方法在兩箇真實數據集上進行瞭實驗,結果錶明,所提算法與高階奇異值分解的方法比較,在推薦的召迴率和精確度指標上分彆提高瞭2.5％和4％,因此,所提算法進一步驗證瞭結閤朋友關繫能夠提高推薦的準確率,併擴展瞭張量分解模型,實現用戶箇性化推薦.
침대대음표주망참항목추천계통중존재수거구진희소성영향추천효과적문제,고필구진기이치분해(SVD)능유효지평활수거구진중적수거,이급붕우권능구반영출일개인적흥취애호,제출료일충융합붕우관계화표첨신식적장량분해추천산법.수선,이용고계기이치분해(HOSVD)방법대용호-항목-표첨삼원조신식진행잠재어의분석화다로강유,분석용호、항목、표첨삼자간관계;연후,재결합용호붕우관계、붕우간상사도,수정장량분해결과,건립삼계장량모형,종이실현추천.해모형방법재량개진실수거집상진행료실험,결과표명,소제산법여고계기이치분해적방법비교,재추천적소회솔화정학도지표상분별제고료2.5％화4％,인차,소제산법진일보험증료결합붕우관계능구제고추천적준학솔,병확전료장량분해모형,실현용호개성화추천.
