PMUS-HOSGD张量分解方法及其在标签推荐中的应用

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

所属期刊栏目：44

分类号：TP311(计算技术、计算机技术)

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

在线出版日期：2019-01-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：300-305,312