PMUS-HOSGD张量分解方法及其在标签推荐中的应用

来源：计算机工程杂志2018年第11期北京时间：

作者：杨林,顾军华,官磊

单位：河北工业大学 a.计算机科学与软件学院; b.河北省大数据重点实验室,天津 300400

摘要：目前的标签推荐系统使用张量来存储“用户-资源-标签”三维数据,以挖掘三者之间潜在的语义关联。为更好地解决三维数据的稀疏性问题,避免张量填充造成的数据失真,提出基于标签惩罚机制的张量构建方法PMUS和基于随机梯度下降的张量分解方法HOSGD。利用标签惩罚机制和用户评分构建张量,使用随机梯度下降法对张量的展开矩阵进行分解。在此基础上,结合PMUS和HOSGD提出PMUS-HOSGD算法对数据进行处理,根据结果为用户进行个性化标签推荐。在数据集MovieLens上的实验结果表明,与CubeALS、HOSVD和CF算法相比,该算法能够有效提高标签推荐的准确率。

关键词：标签推荐,数据稀疏性,张量构建,张量分解,惩罚机制,随机梯度下降

基金资助：河北省科技计划项目(17210305D,15210345);天津市科技计划项目(16ZXHLSF00230)