基于张量分解的排序学习在个性化标签推荐中的研究

• 作者: 刘俊晖 周维 易超 杨洋 邸一得
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 张量分解 排序学习 标签推荐 Tucker分解
• 年，卷（期）: 2020,（z2）
• 所属期刊栏目: 大数据&数据科学
• 页码范围: 515-519
• 页数: 5页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.191100181

摘要

标签的使用给系统提供了一个划分并管理用户和物品的途径,而个性化的标签推荐则不仅方便用户输入标签,而且有助于提高系统标签的质量.进而,系统可以获得更多关于用户和物品的信息,提升后续推荐的精度,改善用户体验,因此在淘宝、滴滴等类似的业务场景中具有重要的作用.然而,现有的大多数标签推荐都没有关注推荐列表中的排序问题,列表中过于靠后的标签极易丧失让用户使用的机会,造成用户和物品信息的缺失,阻碍后续的精准推荐.针对上述问题,提出了一种基于张量Tucker分解和列表级排序学习的个性化标签推荐算法,采用优化MAP的方式进行训练,并在Last.fm数据集上进行了仿真实验,不仅验证了算法的有效性,而且充分探讨了学习率、核张量维度等参数对算法的影响.实验结果表明,该算法能较好地优化推荐列表的排序问题,且随列表长度的增加,其性能呈线性下降,算法的实现有利于更好地根据用户喜好来推荐服务.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	易超		7	12	2.0	3.0
2	杨洋		34	121	6.0	10.0
3	刘俊晖		6	3	1.0	1.0
4	周维		9	67	5.0	8.0
5	邸一得		1	0	0.0	0.0