融合用户标签相似度的矩阵分解算法

随着互联网时代的到来，推荐系统已经成为人们在网络上筛选资源的得力助手，传统推荐系统通过用户的评分信息来计算用户相似度并为用户进行资源的推荐，但仍存在冷启动、数据稀疏性等各种问题，极大地影响推荐质量.近年来，标签的出现带给推荐系统新的机遇，它能够具体准确地描述用户的兴趣偏好，使推荐系统可以通过标签属性来更准确地了解用户喜好，从而为用户进行个性化推荐，极大提高了推荐精度和用户满意度.结合标签属性与评分的关系来计算用户标签相似度，结合用户和资源信息来计算用户相似度，将两者同时融入矩阵分解模型中，从而加强了推荐依据，提升了推荐的准确性.实验结果表明，在ml-latest-small数据集上，提出的算法UTagJMF的RMSE降低2%左右；在Hetrec2011-movielens-2k数据集上，UTagJMF的RMSE降低2.2%左右.证明提出的算法模型明显优于其他算法的预测效果.