|
|||||
|
|
| 基于HMM与张量分解的两阶段个性化推荐模型与应用* | |
| 引用本文： | 张浩.基于HMM与张量分解的两阶段个性化推荐模型与应用*[J].科学技术与工程,2016,16(19). |
| 作者姓名： | 张浩 |
| 作者单位： | 淮阴工学院 |
| 基金项目： | 国家统计局基金项目“大数据环境下面向用户兴趣挖掘的个性化推荐方法研究”（项目编号：2014LY058）与江苏省高校哲学社会科学基金项目“基于情境感知及用户群组网络的用户兴趣挖掘与个性化推荐方法研究”（项目编号：2014SJB688）资助。 |
| 摘 要： | 针对个性化推荐系统中用户偏好的进化学习与高维稀疏数据处理的问题。受隐马尔科夫模型(HMM)结构特征启发,提出了一种考虑上下文感知的两阶段用户偏好集推理策略的个性化推荐算法(HHRA算法)。通过对系统历史评分信息的处理,将用户偏好的提取过程抽象为一个HMM模型,来进行第一阶段的用户偏好集学习与推理。然后在此基础上,引入用户的实时上下文信息,构建了一种融入用户实时偏好的张量模型,并基于一种改进的高阶奇异值分解算法来处理高维稀疏的数据集,对模型进行优化求解,生成最优推荐集合。实验设计在3个具有不同特征的真实数据集上将HHRA算法与传统经典推荐算法进行对比分析,结果显示HHRA算法具有较好的适应性和推荐质量。 |
| 关 键 词： | 用户偏好 HMM 高阶奇异值分解算法 推荐系统 |
| 收稿时间： | 2016/2/17 0:00:00 |
| 修稿时间： | 2016/3/23 0:00:00 |
Two-stage personalized Recommendation Model and Application based onHMM and Tensor Decomposition |
|
| Abstract: | |
| Keywords: | user preference hidden markov model high-order singular value decomposition recommendation system |
| 点击此处可从《科学技术与工程》浏览原始摘要信息 | |
| 点击此处可从《科学技术与工程》下载免费的PDF全文 | |