摘要：为了解决当前推荐方法在向网络用户提供个性化推荐服务时,由于没有考虑时间因素导致最终推荐结果与用户实际需求偏差较大、推荐覆盖率较低、收敛速度较慢,且容易出现过拟合等问题,提出了基于局部低秩张量分解的协同过滤推荐方法,该方法在构建网络用户信息模型基础上,采用余弦相似度、Pearson相关系数、Jaccard相关系数三种不同方法计算网络用户对相同项目的评分相似度,实现了基于用户信息模型的协同过滤推荐,为了使得最终推荐结果具有更好的扩展性和推荐准确性、实时性,需要同时考虑用户、项目以及服务方这三个因素来预测网络用户对项目的偏好程度,将二维矩阵扩展为三维张量来反映影响用户偏好的隐形因素,即通过分解网络用户-项目-服务方局部低秩张量来预测用户的隐性偏好度,最后选取预测结果中排名靠前的项目推荐给网络用户,完成个性化推荐服务。仿真测试结果证明,所提方法具有较高的推荐准确率、推荐覆盖率和较快的收敛速度,同时避免了过拟合现象。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社