社会标签推荐张量分解方法研究

论文摘要

社会标注系统是一个为网站用户提供标签标注功能的应用系统。随着Web2.0的兴起,以社会标注机制作为主要功能的内容共享系统发展迅速,其中的典型应用比如共享网页的Delicious、共享图片的Flickr、共享音乐的last. fm和共享学术论文的CiteULike等。社会标注机制允许互相协作的用户通过一个开放的平台,对网站的共享资源赋予一些标签。这些标签一般简短并且富于个性化,这样便促进了资源的共享和有效管理。社会标签推荐是社会标注系统的重要组成部分。当用户进行标签标注时,该功能可以自动提供一些用户可能感兴趣的或者相关的标签列表供用户选择使用。标签推荐能够使用户免去手工输入操作的麻烦,同时集合网络大众用户的智慧,提供最可能符合用户兴趣或特点的标签进行推荐,可以极大地方便用户的操作,并提高标注的质量。将张量方法用于标签推荐算法是最近几年的最新研究。然而分析现在已有的一些基于张量分解法的标签推荐算法后,发现这些算法大多对社会标签数据集的极度稀疏性、存在大量缺失值的特点无法实现理想的处理。针对这一缺陷,本文提出了一种低阶张量分解算法,将社会标签数据集用张量结构来描述,并用低阶多项式进行分解。其中低阶多项式主要包括0阶、1阶、2阶多项式。实验证明,这种方法可以有效解决数据极度稀疏和缺失值的问题,推荐标签的精度和召回率等性能得到了有效改善。社会标签数据通常被描述为一个三部超图模型,该模型比较直观,且能表达标签数据中各维度之间的对应关系。然而在维度转换过程中总是存在语义丢失的情况。针对这一缺陷,本文提出了一种新的三部图张量分解算法,对三部图结构用张量的方法进行分解,分解产生的二维关系矩阵除了包含相应两个维度之间的直接关系外,还包含了同时存在于原有三个维度之间的关系信息,表达的数据信息更加完整,精度更高,能有效解决语义丢失的问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 本文的主要工作
• 1.4 本文的内容组织安排
• 第二章 社会标签推荐系统概述
• 2.1 推荐系统简介
• 2.2 社会标签推荐系统
• 2.2.1 社会性标签的概念
• 2.2.2 Folksonomy的概念
• 2.2.3 社会标签推荐原理
• 2.2.4 标签推荐算法的个性化程度
• 2.3 传统标签推荐算法
• 2.3.1 传统标签推荐算法的基本步骤
• 2.3.2 传统标签推荐算法的分类
• 2.3.3 传统标签推荐算法的瓶颈
• 2.4 张量方法在社会标签推荐中的应用
• 2.4.1 张量方法的提出
• 2.4.2 标签推荐的传统张量分解法
• 2.4.3 传统张量分解法面临的缺陷
• 2.5 本章小结
• 第三章 社会标签推荐的低阶张量分解算法
• 3.1 低阶张量分解算法描述
• 3.1.1 算法思路
• 3.1.2 算法的推导过程
• 3.1.3 算法的公式化描述
• 3.1.4 缺失值问题的处理
• 3.1.5 算法实现
• 3.2 低阶张量分解模型的扩展
• 3.3 实验仿真
• 3.3.1 实验数据集
• 3.3.2 算法的性能与效率比较
• 3.4 本章小结
• 第四章 三部图张量分解算法
• 4.1 传统的三部图标签推荐算法介绍
• 4.2 三部图张量分解算法描述
• 4.2.1 算法思路
• 4.2.2 三部图张量分解模型的优势
• 4.2.3 算法最优解的推导
• 4.2.4 缺失值问题的处理
• 4.2.5 算法实现
• 4.3 实验仿真
• 4.4 本章小结
• 第五章 基于三部图张量分解法的标签推荐算法
• 5.1 算法思想
• 5.2 算法描述
• 5.3 实验仿真
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 本文研究工作总结
• 6.2 后续的研究工作与展望
• 参考文献
• 致谢