论文部分内容阅读
用户给资源标注的标签不仅包含资源的描述信息,同时也包含用户的描述信息。为了满足用户的个性化需求,更准确地向用户推荐标签,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,挖掘三者之间潜在的语义关联。为了更好的解决三维数据的稀疏性问题,避免张量填充过程中造成的数据失真,提出一种基于标签惩罚机制的张量构建方法和随机梯度下降的张量分解方法(PMUS-HOSGD),首先使用标签惩罚机制结合用户评分构建张量,然后使用随机梯度下降法对张量的展开矩阵进行分解,最后根据结果为用户进行个性化标签推荐。在数据集Movielens上的实验表明,本文提出的PMUS-HOSGD张量分解方法能有效提高标签推荐的准确率。