基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
传统的推荐模型是静态的,忽略了时间因素.部分推荐算法虽然将时间因素考虑在内,但只是简单使用最近的数据或者降低过去数据的权重,这样可能会造成有用信息的丢失.针对这一问题,提出了一种考虑时间因素的局部低秩张量分解推荐算法.在传统的推荐算法的基础上,放松用户对项目的评分矩阵是低秩的这一假设,认为整个评分矩阵可能不是低秩的而是局部低秩的,即特定用户项目序偶的近邻空间是低秩的;同时又考虑时间因素,把评分矩阵看作是用户、项目和时间3个维度的张量,将传统的推荐算法延伸到张量领域.实验表明,所提算法能显著提升排名推荐性能.
推荐文章
基于组合优化理论的协同过滤推荐算法
局部
组合优化理论
协同过滤
推荐算法
稀疏问题
评分精度
基于标签分类的协同过滤推荐算法
协同过滤
矩阵分解
交替最小二乘法
迭代投影寻踪
监督学习
基于矩阵分解的单类协同过滤推荐算法
推荐系统
单类协同过滤
矩阵分解
wALS
基于偏置度量分解与隐反馈的协同过滤推荐算法
推荐系统
矩阵分解
度量学习
隐反馈
协同过滤
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于时间的局部低秩张量分解的协同过滤推荐算法
来源期刊 计算机科学 学科 工学
关键词 推荐系统 时间因素 张量分解 局部低秩
年,卷(期) 2017,(7) 所属期刊栏目 人工智能
研究方向 页码范围 227-231
页数 5页 分类号 TP311
字数 5457字 语种 中文
DOI 10.11896/j.issn.1002-137X.2017.07.040
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 王志海 北京交通大学计算机与信息技术学院 64 491 11.0 20.0
2 孙艳歌 北京交通大学计算机与信息技术学院 14 76 6.0 8.0
6 黄丹 北京交通大学计算机与信息技术学院 8 34 4.0 5.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (12)
共引文献  (16)
参考文献  (7)
节点文献
引证文献  (4)
同被引文献  (28)
二级引证文献  (2)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(3)
  • 参考文献(1)
  • 二级参考文献(2)
2008(2)
  • 参考文献(1)
  • 二级参考文献(1)
2009(6)
  • 参考文献(2)
  • 二级参考文献(4)
2010(2)
  • 参考文献(0)
  • 二级参考文献(2)
2014(2)
  • 参考文献(2)
  • 二级参考文献(0)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2018(2)
  • 引证文献(2)
  • 二级引证文献(0)
2019(3)
  • 引证文献(2)
  • 二级引证文献(1)
2020(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
推荐系统
时间因素
张量分解
局部低秩
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学
月刊
1002-137X
50-1075/TP
大16开
重庆市渝北区洪湖西路18号
78-68
1974
chi
出版文献量(篇)
18527
总下载数(次)
68
总被引数(次)
150664
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导