面向社交网络基于张量分解的上下文感知推荐系统及方法

摘要

本发明公开一种面向社交网络基于张量分解的上下文感知推荐系统及方法，属于数据挖掘和信息检索领域。首先，该方法利用社交网络海量数据集，收集用户，项目，上下文，关注列表信息，构建原始用户‑项目‑上下文评分矩阵，并计算用户相似度，构建用户‑用户相似度矩阵；其次，针对原始评分矩阵的极度稀疏性，利用张量分解对稀疏评分矩阵进行预测填充；第三，针对用户相似度矩阵稀疏问题，通过矩阵分解对稀疏用户相似度矩阵进行预测填充；最后，根据社交网络中相似的用户具有相似的兴趣倾向，在优化评分矩阵时加入社交正则化项。该方法改进了传统预测评分矩阵没有考虑上下文信息和用户间关系对打分的影响，解决了评分矩阵稀疏给推荐系统带来的阻碍，提高了推荐系统的准确性，本方法可以广泛运用于社交网络、电子商务等领域。