基于改进张量分解模型的个性化推荐算法研究

【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、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, 有利于社交网络环境下提供更令用户满意的资源。