融合内容分析与标签拓展的社交标签推荐

摘要

近年来随着豆瓣读书、CiteULike等社交标签系统的快速发展,社交标签系统的推荐技术也逐渐成为研究热点.然而这类系统相比传统的推荐系统,增加了标签这个新的度量单位,导致了传统的协同过滤推荐方式面临着推荐的标签质量不高、数据稀疏和冷启动、统一模型的适用性等问题,因此,基于传统的推荐方式无法取得很好的效果.本文提出一种融合内容分析与标签拓展的推荐方法TECA(Tag Expansion and Content Analysis),并基于该方法为文本类型的资源实现标签和用户推荐.TECA通过分类细化资源模型,利用资源的语义主题分布推荐标签,并且利用用户标签拓展缓解数据稀疏性.在CiteULike的数据上进行实验表明,TECA在标签推荐和用户推荐的效果上比协同过滤方式更优.