基于张量分解的排序学习在个性化标签推荐中的研究

标签的使用给系统提供了一个划分并管理用户和物品的途径,而个性化的标签推荐则不仅方便用户输入标签,而且有助于提高系统标签的质量。进而,系统可以获得更多关于用户和物品的信息,提升后续推荐的精度,改善用户体验,因此在淘宝、滴滴等类似的业务场景中具有重要的作用。然而,现有的大多数标签推荐都没有关注推荐列表中的排序问题,列表中过于靠后的标签极易丧失让用户使用的机会,造成用户和物品信息的缺失,阻碍后续的精准推荐。针对上述问题,提出了一种基于张量Tucker分解和列表级排序学习的个性化标签推荐算法,采用优化MAP的方式进行训练,并在Last.fm数据集上进行了仿真实验,不仅验证了算法的有效性,而且充分探讨了学习率、核张量维度等参数对算法的影响。实验结果表明,该算法能较好地优化推荐列表的排序问题,且随列表长度的增加,其性能呈线性下降,算法的实现有利于更好地根据用户喜好来推荐服务。