融合朋友關(guān)系和標(biāo)簽的張量分解推薦算法

　　針對大眾標(biāo)注網(wǎng)站項(xiàng)目推薦系統(tǒng)中存在數(shù)據(jù)矩陣稀疏性影響推薦效果的問題，考慮矩陣奇異值分解（SVD）能有效地平滑數(shù)據(jù)矩陣中的數(shù)據(jù)，以及朋友圈能夠反映出一個(gè)人的興趣愛好，提出了一種融合朋友關(guān)系和標(biāo)簽信息的張量分解推薦算法。首先，利用高階奇異值分解（ HOSVD）方法對用戶一項(xiàng)目一標(biāo)簽三元組信息進(jìn)行潛在語義分析和多路降維，分析用戶、項(xiàng)目、標(biāo)簽三者間關(guān)系；然后，再結(jié)合用戶朋友關(guān)系、朋友間相似度，修正張量分解結(jié)果，建立三階張量模型，從而實(shí)現(xiàn)推薦。該模型方法在兩個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，所提算法與高階奇異值分解的方法比較，在推薦的召回率和精確度指標(biāo)上分別提高了2. 5%和4%，因此，所提算法進(jìn)一步驗(yàn)證了結(jié)合朋友關(guān)系能夠提高推薦的準(zhǔn)確率，并擴(kuò)展了張量分解模型，實(shí)現(xiàn)用戶個(gè)性化推薦。
?