基于K-means聚类与张量分解的社会化标签推荐系统研究

孙玲芳, 李烁朋

(江苏科技大学 经济管理学院, 江苏 镇江 212003)

随着Web 2.0技术的发展,含有社会化标签(social tag)数据的大众标注(folksonomy)网站在电子商务领域蓬勃发展.为了给用户提供有效的项目信息,多种推荐技术被广泛运用在电子商务领域.而在大众标注网站中,用户通常会对自己感兴趣的对象有一个标注行为,所产生的标签(tag)数据会对推荐系统的推荐效果产生较大影响[1].而传统的推荐方法,例如协同过滤系统通过计算用户之间或是项目之间的相似度来完成推荐过程,若在大众标注网站中忽略了大量的标签数据,则评价矩阵的数据稀疏性问题依然存在,并且会影响到推荐精度[2].提高推荐精度的传统方法之一是利用矩阵奇异值分解(singular value decomposition， SVD),对数据矩阵进行分解后将无用数据去除，达到降噪和降低稀疏性的目的,但是对含有标签数据集的多元数据矩阵改进效果不佳．奇异值分解对二维矩阵稀疏问题具有良好处理特性，在此基础上,文中首先对标签数据进行K-means聚类,然后以用户(user)、标签(tag)、项目(item)数据建立多维张量模型,运用K-means HOSVD(high order singular value decomposition)对模型进行分解运算,两个算法皆是保证数据的非稀疏性.以书签标注网站Decilous.com的数据为测试集对该模型的推荐效果进行检验.

1 大众标注概念

1.1 大众标注和标签

SNS(social network service)网站的出现给用户之间的交互过程提供了一个崭新平台,网络社区由此建立,大众标注的概念也因此而产生.大众标注是众多信息用户根据自己的需求,选择合适的网……