推荐算法是网络服务平台的重要组成部分,它能够根据用户的行为准确、高效地向其推荐喜欢的产品,提供符合用户需求的服务。众所周知,亚马逊的推荐系统给用户带来了极佳的用户体验,用户能够快速地买到所需的产品,据统计,亚马逊35%的销售额是与推荐系统相关的。随着信息技术的迅速发展,用户数量逐渐增多,网络服务平台已经成为用户寻找服务的首选,因此,提升推荐算法的效率和准确率是目前推荐系统的核心任务,也一直是学者们的研究热点。随着互联网技术的全面普及,用户的交互变得频繁,网络数据的规模日益庞大,传统推荐算法已经无法满足实际的需求。主要有两个原因:第一,部分算法中往往只考虑实体(用户或产品)之间的二元关系,忽视了多种属性特征之间的联系,无法保证大数据环境下推荐系统的准确率。第二,未区分系统中实体的特征差异,导致无法根据相关特征有效地识别出不同实体的重要性,从而可能忽略部分潜在的重要性内容。针对传统推荐算法并未考虑系统中的实体差异、忽视数据的多特征属性的问题,本文提出了基于张量分解的用户聚类个性化标签推荐算法。在该推荐算法中,首先,根据用户的活跃性以及相似性的差异对用户进行聚类,将数据集划分成若干个小数据集;其次,根据用户、产品、标签、评分之间的相互关系计算出各自的重要性,综合四元关系的权值构造三维张量模型;最后,应用Tucker分解法及最小二乘法对张量模型进行优化求解,生成一系列的推荐结果。实验结果表明,本算法与其他推荐算法的推荐准确率相比具有较好的提高,验证了本文算法的有效性。