基于上下文相似度的分解推薦算法

　　針對(duì)移動(dòng)服務(wù)推薦中用戶上下文環(huán)境復(fù)雜多變和數(shù)據(jù)稀疏性問題，提出一種基于移動(dòng)用戶上下文相似度的張量分解推薦算法-UCS-TF。該算法組合用戶間的多維上下文相似度和上下文相似可信度，建立用戶上下文相似度模型，再對(duì)目標(biāo)用戶的K個(gè)鄰居用戶建立移動(dòng)用戶一上下文一移動(dòng)服務(wù)三維張量分解模型，獲得目標(biāo)用戶的移動(dòng)服務(wù)預(yù)測值，生成移動(dòng)推薦。實(shí)驗(yàn)結(jié)果顯示，與余弦相似性方法、Pearson相關(guān)系數(shù)方法和Cosinel改進(jìn)相似度模型相比，所提UCS-TF算法表現(xiàn)最優(yōu)時(shí)的平均絕對(duì)誤差（MAE）分別減少了II. l%、10. l%和3.2%；其P@N指標(biāo)大幅提升，均優(yōu)于上述方法。另外，對(duì)比Cosinel算法、CARS2算法和TF算法，UCS-TF算法在數(shù)據(jù)稀疏密度為5%、20%、50%、80%上的預(yù)測誤差最小。實(shí)驗(yàn)結(jié)果表明UCS-TF算法具有更好的推薦效果，同時(shí)將用戶上下文相似度與張量分解模型結(jié)合，能有效緩解評(píng)分稀疏性的影響。
?