论文部分内容阅读
推荐系统是一种互联网的应用系统，给用户推荐可能喜欢或者感兴趣的商品或服务。传统的推荐系统使用用户或者产品（包括商品和服务等）的属性，进行基于内容的推荐，或者使用用户间、产品间的相似性进行协同过滤的推荐。大众分类法（folksonomy）的应用使用户可以用标签来对产品进行个性化分类、标记。如何在推荐算法中建立用户、产品、标签间的关系模型，提高推荐系统的性能，成为备受关注的研究内容。本文研究基于“用户-产品-标签”三元关系的推荐系统，提出了基于张量分解法学习最优评分的推荐算法LORTF（Learning Optimal Ranking with Tensor Factorization forRecommendation System Algorithm）。基于“用户-产品-标签”的三元元组的张量分解推荐算法[18,50]，直接使用三元元组的信息，忽视了元组中用户、产品、标签的重要性。本文提出的LORTF算法计算用户、标签、产品的重要性权值，以区分用户、产品、标签的重要性; LORTF算法建立权值张量模型，使用Tucker张量分解法分解模型，利用最小二乘法最优化分解参数，提高推荐准确性。LORTF算法分为两个主要步骤：第一步，标准化数据集，定义核心用户，并基于核心用户应用聚类方法，产生用户聚类，将数据集按照用户聚类划分，以减小单个数据集的规模。第二步，计算用户、产品、标签的重要性权值，建立以用户、产品、标签为维度，权值为元素的三维张量模型，应用Tucker张量分解法，分解张量，使用最优化方法得到最优的分解，根据最优分解而来的近似张量，确定新的最优评分。最后，综合多个用户聚类数据集，产生Top_N的推荐结果。本文分别在MovieLens、Filckr、Del.icio.us、Last.fm、Bibsonomy的数据集上进行实验，结果表明，LORTF算法在推荐准确率上比协同过滤算法和基本的张量分解算法都有较好的提高。