本發(fā)明涉及個性化推薦領(lǐng)域，特別是涉及一種標(biāo)簽推薦方法及系統(tǒng)。

背景技術(shù)：

現(xiàn)如今，web技術(shù)的發(fā)展突飛猛進，用戶可以在多種多樣的網(wǎng)絡(luò)平臺上對一個項目標(biāo)注多個不同的標(biāo)簽，尤其是在各個平臺的推薦系統(tǒng)應(yīng)用方面，系統(tǒng)通過標(biāo)簽來探索每個用戶的喜好特征，當(dāng)用戶對未標(biāo)注過標(biāo)簽的項目標(biāo)注標(biāo)簽時，可以更有效地向用戶推薦合適的標(biāo)簽供用戶標(biāo)注，幫助用戶快速找到自己滿意的標(biāo)簽。項目是指用戶標(biāo)注標(biāo)簽的對象，例如電影、視頻、文章等。以往的推薦算法大多針對的是基于二元關(guān)系的用戶-項目的評分矩陣數(shù)據(jù)進行研究，隨著標(biāo)簽數(shù)據(jù)的加入，由用戶、項目和標(biāo)簽組成的三元關(guān)系數(shù)據(jù)處理成為了近年來推薦算法研究的重點。

由于推薦系統(tǒng)中用戶、項目和標(biāo)簽數(shù)量的與日俱增，三者組成的權(quán)值數(shù)據(jù)規(guī)模呈指數(shù)速度增長，數(shù)據(jù)稀疏性逐漸變大，由此用于處理該數(shù)據(jù)的推薦算法的推薦準(zhǔn)確性降低，成為推薦技術(shù)需解決的最主要的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種標(biāo)簽推薦方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中推薦算法推薦準(zhǔn)確性低的問題。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種標(biāo)簽推薦方法，所述方法包括：

依次獲取所有用戶對所有項目標(biāo)注的標(biāo)簽總集合，所述標(biāo)簽總集合包括所有的第一標(biāo)簽集合，所述第一標(biāo)簽集合為一個用戶對一個項目標(biāo)注的標(biāo)簽的集合，所述第一標(biāo)簽集合包括m個標(biāo)簽，m為大于0的整數(shù)；

利用apriori算法尋找所述標(biāo)簽總集合中的最大頻繁項集；

將所述最大頻繁項集設(shè)定為新的標(biāo)識；

將所述第一標(biāo)簽集合中所述最大頻繁項集替換為所述新的標(biāo)識，形成第二標(biāo)簽集合；

將用戶、項目、第二標(biāo)簽集合相互對應(yīng)，生成用戶-項目-標(biāo)簽的三維張量數(shù)據(jù)，并將三者的關(guān)聯(lián)權(quán)重設(shè)為1；

利用hosvd算法對所述三維張量數(shù)據(jù)進行分解，得到每個用戶對每個項目標(biāo)注的標(biāo)簽的權(quán)重值；

根據(jù)所述標(biāo)簽權(quán)重值，向第一用戶推薦標(biāo)簽，供所述第一用戶對項目標(biāo)注標(biāo)簽使用，所述第一用戶為第一次對所述第一項目標(biāo)注標(biāo)簽的用戶，所述第一項目為所有項目中的任意一個項目。

可選的，所述利用apriori算法尋找所述標(biāo)簽總集合中的最大頻繁項集之前，還包括：

將標(biāo)簽數(shù)據(jù)轉(zhuǎn)換成適用于apriori算法計算的格式。

可選的，所述利用apriori算法尋找所述標(biāo)簽總集合中的最大頻繁項集，具體包括：

設(shè)定最小支持度，所述最小支持度為標(biāo)簽出現(xiàn)的頻率的設(shè)定閾值；

將所有第一標(biāo)簽集合中出現(xiàn)頻率大于所述最小支持度的標(biāo)簽生成頻繁一項集，所述頻繁一項集中每個元素為一個標(biāo)簽；

將兩個不同的頻繁一項集合并為一個二項集，遍歷所有的頻繁一項集，生成所有的二項集，所述二項集中包括兩個標(biāo)簽，將所有二項集中兩個標(biāo)簽同時出現(xiàn)的頻率大于所述最小支持度的二項集生成頻繁二項集；所述頻繁二項集中每個元素為二項集中的兩個標(biāo)簽；

將頻繁k項集中的任意兩個元素連接，形成k+1項集，所述頻繁k項集中每個元素包括k個不同的標(biāo)簽，所述k+1項集中包括k+1個不同的標(biāo)簽；遍歷所述頻繁k項集中的所有元素，生成所有的k+1項集；其中k為大于1的整數(shù)；

判斷是否所有的k+1項集中的k+1個標(biāo)簽同時出現(xiàn)的頻率均小于所述最小支持度，得到第一判斷結(jié)果；

當(dāng)所述第一判斷結(jié)果表示所有的k+1項集中的k+1個標(biāo)簽同時出現(xiàn)的頻率均小于所述最小支持度時，確定所述頻繁k項集為最大頻繁項集；

當(dāng)所述第一判斷結(jié)果表示所有的k+1項集出現(xiàn)的頻率不全小于所述最小支持度時，將所有k+1項集中的k+1個標(biāo)簽同時出現(xiàn)頻率大于所述最小支持度的k+1項集生成頻繁k+1項集，所述頻繁k+1項集中每個元素包括k+1項集中的k+1個不同的標(biāo)簽。

可選的，所述利用hosvd算法對所述三維張量數(shù)據(jù)進行分解，具體包括：

將所述三維張量數(shù)據(jù)利用公式沿著三個模方向進行分解，其中所述三維張量表示為a1為所述三維張量a的1-模的矩陣展開形式；a2為所述三維張量a的2-模的矩陣展開形式；a3為所述三維張量a的3-模的矩陣展開形式；

利用奇異值分解算法對所述a1、a2、a3進行分解，得到

其中u⁽¹⁾表示矩陣a1的左奇異特征矩陣，v1^t表示矩陣a1的右奇異特征矩陣的轉(zhuǎn)置矩陣，s1表示由矩陣a1奇異值組成的對角矩陣；u⁽²⁾表示矩陣a2的左奇異特征矩陣，v2^t表示矩陣a2的右奇異特征矩陣的轉(zhuǎn)置矩陣，s2表示由矩陣a2奇異值組成的對角矩陣；u⁽³⁾表示矩陣a3的左奇異特征矩陣，v3^t表示矩陣a3的右奇異特征矩陣的轉(zhuǎn)置矩陣，s3表示由矩陣a3奇異值組成的對角矩陣；

利用所述奇異值分解算法對所述左奇異特征矩陣u⁽¹⁾、u⁽²⁾、u⁽³⁾降維，對應(yīng)得到其中的維度為c1；的維度為c2；的維度為c3；

利用公式得到近似核心張量

利用hosvd算法得到三維張量a降維后的近似張量

根據(jù)所述近似張量得到每個用戶對每個項目標(biāo)注的標(biāo)簽權(quán)重值。

可選的，所述根據(jù)所述標(biāo)簽權(quán)重值，向第一用戶推薦標(biāo)簽，具體包括：

根據(jù)所述標(biāo)簽權(quán)重值，利用top-n算法得到高于其他權(quán)重值的n個權(quán)重值；

將所述n個權(quán)重值對應(yīng)的標(biāo)簽推薦給所述第一用戶。

一種標(biāo)簽推薦系統(tǒng)，所述系統(tǒng)包括：

標(biāo)簽總集合獲取模塊，用于依次獲取所有用戶對所有項目標(biāo)注的標(biāo)簽總集合，所述標(biāo)簽總集合包括所有的第一標(biāo)簽集合，所述第一標(biāo)簽集合為一個用戶對一個項目標(biāo)注的標(biāo)簽集合，所述第一標(biāo)簽集包括m個標(biāo)簽，m為大于0的整數(shù)；

最大頻繁項集獲取模塊，用于利用apriori算法獲取所述標(biāo)簽總集合中的最大頻繁項集；

新的標(biāo)識設(shè)定模塊，用于將所述最大頻繁項集設(shè)定為新的標(biāo)識；

第二標(biāo)簽集合形成模塊，用于將所述第一標(biāo)簽集合中所述最大頻繁項集替換為所述新的標(biāo)識，形成第二標(biāo)簽集合；

三維張量數(shù)據(jù)生成模塊，用于將用戶、項目、第二標(biāo)簽集合相互對應(yīng)，生成用戶-項目-標(biāo)簽的三維張量數(shù)據(jù)，并將三者的關(guān)聯(lián)權(quán)重設(shè)為1；

三維張量數(shù)據(jù)分解模塊，用于利用hosvd算法對所述三維張量數(shù)據(jù)進行分解，得到每個用戶對每個項目標(biāo)注的標(biāo)簽的權(quán)重值；

標(biāo)簽推薦模塊，用于根據(jù)所述標(biāo)簽權(quán)重值，向第一用戶推薦標(biāo)簽，供所述第一用戶對第一項目標(biāo)注標(biāo)簽使用，所述第一用戶為第一次對所述第一項目標(biāo)注標(biāo)簽的用戶，所述第一項目為所有項目中的任意一個項目。

可選的，所述系統(tǒng)還包括：

標(biāo)簽轉(zhuǎn)換模塊，用于利用apriori算法獲取所述標(biāo)簽總集合中的最大頻繁項集之前，將所有的第一標(biāo)簽集合中的所有標(biāo)簽均放于標(biāo)簽計算的位置，將標(biāo)簽數(shù)據(jù)轉(zhuǎn)換成適用于apriori算法計算的格式。

可選的，所述最大頻繁項集獲取模塊，具體包括：

最小支持度設(shè)定單元，用于設(shè)定最小支持度，所述最小支持度為標(biāo)簽出現(xiàn)的頻率的設(shè)定閾值；

頻繁一項集生成單元，用于將所有第一標(biāo)簽集合中出現(xiàn)頻率大于所述最小支持度的標(biāo)簽生成頻繁一項集，所述頻繁一項集中每個元素為一個標(biāo)簽；

頻繁二項集生成單元，用于將兩個不同的頻繁一項集合并為一個二項集，遍歷所有的頻繁一項集，生成所有的二項集，所述二項集中包括兩個標(biāo)簽，將所有二項集中兩個標(biāo)簽同時出現(xiàn)的頻率大于所述最小支持度的二項集生成頻繁二項集；所述頻繁二項集中每個元素為二項集中的兩個標(biāo)簽；

k+1項集生成單元，用于將頻繁k項集中的任意兩個元素連接，形成k+1項集，所述頻繁k項集中每個元素包括k個不同的標(biāo)簽，所述k+1項集中包括k+1個不同的標(biāo)簽；遍歷所述頻繁k項集中的所有元素，生成所有的k+1項集；其中k為大于1的整數(shù)；

頻率判斷單元，用于判斷是否所有的k+1項集中的k+1個標(biāo)簽同時出現(xiàn)的頻率均小于所述最小支持度，得到第一判斷結(jié)果；

最大頻繁項集確定單元，用于當(dāng)所述第一判斷結(jié)果表示所有的k+1項集中的k+1個標(biāo)簽同時出現(xiàn)的頻率均小于所述最小支持度時，確定所述頻繁k項集為最大頻繁項集；

頻繁k+1項集生成單元，用于當(dāng)所述第一判斷結(jié)果表示所有的k+1項集出現(xiàn)的頻率不全小于所述最小支持度時，將所有k+1項集中的k+1個標(biāo)簽同時出現(xiàn)頻率大于所述最小支持度的k+1項集生成頻繁k+1項集，所述頻繁k+1項集中每個元素包括k+1項集中的k+1個不同的標(biāo)簽。

可選的，所述三維張量數(shù)據(jù)分解模塊，具體包括：

第一分解單元，用于將所述三維張量數(shù)據(jù)利用公式沿著三個模方向進行分解，其中所述三維張量表示為a1為所述三維張量a的1-模的矩陣展開形式；a2為所述三維張量a的2-模的矩陣展開形式；a3為所述三維張量a的3-模的矩陣展開形式；

第二分解單元，用于利用奇異值分解算法對所述a1、a2、a3進行分解，得到其中u⁽¹⁾表示矩陣a1的左奇異特征矩陣，v1^t表示矩陣a1的右奇異特征矩陣的轉(zhuǎn)置矩陣，s1表示由矩陣a1奇異值組成的對角矩陣；u⁽²⁾表示矩陣a2的左奇異特征矩陣，v2^t表示矩陣a2的右奇異特征矩陣的轉(zhuǎn)置矩陣，s2表示由矩陣a2奇異值組成的對角矩陣；u⁽³⁾表示矩陣a3的左奇異特征矩陣，v3^t表示矩陣a3的右奇異特征矩陣的轉(zhuǎn)置矩陣，s3表示由矩陣a3奇異值組成的對角矩陣；

降維單元，用于利用所述奇異值分解算法對所述左奇異特征矩陣u⁽¹⁾、u⁽²⁾、u⁽³⁾降維，對應(yīng)得到其中的維度為c1；的維度為c2；的維度為c3；

近似核心張量計算單元，用于利用公式得到近似核心張量

三維張量的近似張量獲取單元，用于利用hosvd算法得到三維張量a降維后的近似張量

根據(jù)所述近似張量得到每個用戶對每個項目標(biāo)注的標(biāo)簽權(quán)重值。

可選的，所述標(biāo)簽推薦模塊，具體包括：

標(biāo)簽權(quán)重篩選單元，用于根據(jù)所述標(biāo)簽權(quán)重值，利用top-n算法得到高于其他權(quán)重值的n個權(quán)重值；

標(biāo)簽推薦單元，用于將所述n個權(quán)重值對應(yīng)的標(biāo)簽推薦給所述第一用戶。

根據(jù)本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術(shù)效果：

本發(fā)明充分利用頻繁出現(xiàn)的標(biāo)簽信息，尋找標(biāo)簽與標(biāo)簽之間的關(guān)聯(lián)性，使標(biāo)簽分類更加細致，以使推薦系統(tǒng)準(zhǔn)確性獲得提高。并且隨著推薦列表數(shù)量的增大，命中率逐漸增大，能夠有效提高推薦準(zhǔn)確性。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明標(biāo)簽推薦方法的流程圖；

圖2為本發(fā)明標(biāo)簽推薦方法中svd分解示意圖；

圖3為本發(fā)明標(biāo)簽推薦方法中降維后svd分解示意圖；

圖4為本發(fā)明標(biāo)簽推薦系統(tǒng)的結(jié)構(gòu)圖；

圖5為本發(fā)明標(biāo)簽推薦方法中將張量a沿著三個模方向進行分解的示意圖；

圖6為本發(fā)明標(biāo)簽推薦方法中利用hosvd算法得到近似張量的示意圖；

圖7為本發(fā)明標(biāo)簽推薦方法中推薦標(biāo)簽后命中率比較圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

圖1為本發(fā)明標(biāo)簽推薦方法的流程圖。如圖1所示，所述方法包括：

步驟101：獲取用戶標(biāo)注的標(biāo)簽總集合。標(biāo)簽總集合包括所有用戶對所有項目標(biāo)注的標(biāo)簽，一個用戶對一個項目標(biāo)注的標(biāo)簽集合定義為第一標(biāo)簽集合，由于一個用戶對一個項目標(biāo)注的標(biāo)簽可能為多個，因此所述第一標(biāo)簽集合包括m個標(biāo)簽，m為大于0的整數(shù)，因此所述標(biāo)簽總集合包括所有的第一標(biāo)簽集合。例如，在一個電影推薦平臺上，用戶1對電影1標(biāo)注的標(biāo)簽為“喜劇”、“動作”、“愛情”，得到的第一標(biāo)簽集合為{喜劇，動作，愛情}；用戶1對電影2標(biāo)注的標(biāo)簽為“喜劇”、“驚悚”、“動作”，得到的第一標(biāo)簽集合為{喜劇，驚悚，動作}；用戶2對電影1所打的標(biāo)簽為“愛情”、“倫理”，得到的第一標(biāo)簽集合為{愛情，倫理}；用戶2對電影3標(biāo)注的標(biāo)簽為“恐怖”、“動作”、“驚悚”，得到的第一標(biāo)簽集合為{恐怖，動作，驚悚}；……；那么得到的標(biāo)簽總集合為{{喜劇，動作，愛情}，{喜劇，驚悚，動作}，{愛情，倫理}，{恐怖，動作，驚悚}，……}。

步驟102：尋找標(biāo)簽總集合的最大頻繁項集。將所有的第一標(biāo)簽集合中的所有標(biāo)簽均放于標(biāo)簽計算的位置，將標(biāo)簽數(shù)據(jù)轉(zhuǎn)換成適用于apriori算法計算的格式，然后利用apriori算法尋找所述標(biāo)簽總集合中的最大頻繁項集。假設(shè)最大頻繁項集包括n個標(biāo)簽，那么最大頻繁項集是指滿足以下兩個條件的n項集：首先，n個標(biāo)簽同時被標(biāo)注出現(xiàn)的頻率大于最小支持度(設(shè)定閾值)；其次，在最大頻繁項集中添加任一元素構(gòu)成n+1項集后，任一n+1項集中n+1個標(biāo)簽同時被標(biāo)注出現(xiàn)的頻率小于最小支持度。具體的尋找標(biāo)簽總集合的最大頻繁項集的過程為：

設(shè)定最小支持度，所述最小支持度即為標(biāo)簽出現(xiàn)的頻率的設(shè)定閾值；

將所有第一標(biāo)簽集合中出現(xiàn)頻率大于所述最小支持度的標(biāo)簽生成頻繁一項集，所述頻繁一項集中每個元素為一個標(biāo)簽；也就是標(biāo)簽總集合中所有出現(xiàn)頻率大于最小支持度的標(biāo)簽，即歸為頻繁一項集中的元素，以此形成頻繁一項集；

將兩個不同的頻繁一項集合并為一個二項集，遍歷所有的頻繁一項集，生成所有的二項集，所述二項集中包括兩個標(biāo)簽，將所有二項集中兩個標(biāo)簽同時出現(xiàn)的頻率大于所述最小支持度的二項集生成頻繁二項集；所述頻繁二項集中每個元素為二項集中的兩個標(biāo)簽；此步驟即為尋找兩個標(biāo)簽同時出現(xiàn)頻率大于最小支持度的標(biāo)簽組合，將滿足條件的標(biāo)簽組合歸為頻繁二項集的元素，以此形成頻繁二項集；

將頻繁k項集中的任意兩個元素連接，形成k+1項集，所述頻繁k項集中每個元素包括k個不同的標(biāo)簽，所述k+1項集中包括k+1個不同的標(biāo)簽；遍歷所述頻繁k項集中的所有元素，生成所有的k+1項集；其中k為大于1的整數(shù)；此步驟即為形成k+1項集的過程，通過向頻繁k項集中加入其它頻繁k項集中的一個元素，構(gòu)成k+1項集，直至遍歷所有的k項集，形成所有的k+1項集；

判斷是否所有的k+1項集中的k+1個標(biāo)簽同時出現(xiàn)的頻率均小于所述最小支持度，得到第一判斷結(jié)果；

當(dāng)所述第一判斷結(jié)果表示所有的k+1項集中的k+1個標(biāo)簽同時出現(xiàn)的頻率均小于所述最小支持度時，確定所述頻繁k項集為最大頻繁項集；

當(dāng)所述第一判斷結(jié)果表示所有的k+1項集出現(xiàn)的頻率不全小于所述最小支持度時，將所有k+1項集中的k+1個標(biāo)簽同時出現(xiàn)頻率大于所述最小支持度的k+1項集生成頻繁k+1項集，所述頻繁k+1項集中每個元素包括k+1項集中的k+1個不同的標(biāo)簽。此時需要進一步形成k+2項集，判斷k+2項集中的k+2個標(biāo)簽同時出現(xiàn)的頻率是否均大于最小支持度，以此判斷k+1項集是否為最大頻繁項集。

步驟103：將最大頻繁項集設(shè)定為新的標(biāo)識。也就是將最大頻繁項集用新的代號代替。

步驟104：將第一標(biāo)簽集合中最大頻繁項集替換為新的標(biāo)識，對應(yīng)得到第二標(biāo)簽集合。例如第一標(biāo)簽集合為{喜劇，愛情，動作，倫理，驚悚}，最大頻繁項集為{喜劇，愛情，倫理}，最大頻繁項集設(shè)定的新的標(biāo)識可以為“m”，那么將第一標(biāo)簽集合中最大頻繁項集替換為新的標(biāo)識，得到的第二標(biāo)簽集合為{m，動作，驚悚}，此時只包括三個元素。

步驟105：生成用戶-項目-標(biāo)簽的三維張量。根據(jù)得到的第二標(biāo)簽集合與用戶和項目相互對應(yīng)，以此得到用戶-項目-標(biāo)簽的三維張量數(shù)據(jù)，并將三者的關(guān)聯(lián)權(quán)重設(shè)為1。

步驟106：利用hosvd算法對所述三維張量數(shù)據(jù)進行分解，得到每個用戶對每個項目標(biāo)注的標(biāo)簽的權(quán)重值。具體包括：

(1)將所述三維張量數(shù)據(jù)利用公式沿著三個模方向進行分解，其中所述三維張量表示為a1為所述三維張量a的1-模的矩陣展開形式；a2為所述三維張量a的2-模的矩陣展開形式；a3為所述三維張量a的3-模的矩陣展開形式；

(2)利用奇異值分解(singularvaluedecomposition，svd)算法對所述a1、a2、a3進行分解，得到其中u⁽¹⁾表示矩陣a1的左奇異特征矩陣，v1^t表示矩陣a1的右奇異特征矩陣的轉(zhuǎn)置矩陣，s1表示由矩陣a1奇異值組成的對角矩陣；u⁽²⁾表示矩陣a2的左奇異特征矩陣，v2^t表示矩陣a2的右奇異特征矩陣的轉(zhuǎn)置矩陣，s2表示由矩陣a2奇異值組成的對角矩陣；u⁽³⁾表示矩陣a3的左奇異特征矩陣，v3^t表示矩陣a3的右奇異特征矩陣的轉(zhuǎn)置矩陣，s3表示由矩陣a3奇異值組成的對角矩陣；

(3)利用svd算法對所述左奇異特征矩陣u⁽¹⁾、u⁽²⁾、u⁽³⁾降維，對應(yīng)得到其中的維度為c1；的維度為c2；的維度為c3；

(4)利用公式得到近似核心張量

(5)利用hosvd算法得到三維張量a降維后的近似張量根據(jù)所述近似張量得到每個用戶對每個項目標(biāo)注的標(biāo)簽權(quán)重值。

svd的基本原理：

首先，在采用svd技術(shù)開始對矩陣進行分解之前，需要對該矩陣的空白項進行填充，填充值一般采用項目的評分均值，以得到一個稠密矩陣。假設(shè)未填充前的矩陣為r∈r^m×n,填充后為r′，則r′的svd公式為：r′＝usv^t其中,u∈r^m×m和v^t∈r^n×n都是正交矩陣，分別代表矩陣r′的左奇異特征矩陣和右奇異特征矩陣；s∈r^m×n是一個對角矩陣，且矩陣r′的所有奇異值均分布在該對角矩陣的對角線上，并且它們都按照從大到小的順序進行排列，而且所有的奇異值體現(xiàn)著矩陣r′總的信息量。圖2為本發(fā)明標(biāo)簽推薦方法中svd分解示意圖；svd分解示意圖如圖2所示。

采用svd對矩陣r′進行降維，最主要的是需要保證降維后的矩陣與原始矩陣的信息量相差不大。由于矩陣s中的所有的奇異值體現(xiàn)著原始矩陣中包含的總的信息量，因此可以采用奇異值平方和來對信息量進行定義，并通過設(shè)定閾值來保證有效信息量。假設(shè)所有的奇異值的平方和為p，前f(f為整數(shù))個奇異值的平方和為pf，則信息量的閾值σ＝pf/p，通常要求σ≥99％，以此來確定f的值。然后對角矩陣s就成為僅保留前f個奇異值的新對角矩陣sf，再分別從u和v中選取前f個左右奇異值向量，構(gòu)成新的uk和vk，此時，通過uf、vf和sf就可以構(gòu)成降維后的矩陣rf，即：

rf近似于原始矩陣r′，用戶u對項目i的預(yù)測評分就可以通過公式上述來計算，降維后的矩陣svd示意圖如圖3所示；圖3為本發(fā)明標(biāo)簽推薦方法中降維后svd分解示意圖；

svd降維的基本步驟為：

采用svd對r′進行分解后得到u、s和v；

保留對角矩陣s的前f個奇異值，得到新的矩陣sf；

將u和v的前f個特征向量保留，得到uf和vf；

采用公式來計算用戶u對項目i的預(yù)測評分。

將svd應(yīng)用于推薦算法中的優(yōu)點是：可有效降低數(shù)據(jù)維度，簡化評分矩陣，使算法預(yù)測準(zhǔn)確性提升。缺點是：隨著用戶和項目的數(shù)量與日俱增，并且數(shù)據(jù)稀疏性非常大時，已經(jīng)填充好的評分矩陣占用的存儲內(nèi)存非常大，使得算法的計算速度變得非常緩慢，實際應(yīng)用中難以接受。

高階奇異值分解(highordersingularvaluedecomposition，hosvd)是由svd演變而來的，svd針對的是二階矩陣數(shù)據(jù)的降維分解，而hosvd是對高階張量數(shù)據(jù)進行降維分解的一種關(guān)鍵算法，并可應(yīng)用于多個應(yīng)用領(lǐng)域。

hosvd算法對張量分解后得到一個核心張量和n個矩陣的乘積形式。以三階張量a為例，進行hosvd算法分解后得到：a＝s×u⁽¹⁾×u⁽²⁾×u⁽³⁾

其中，u⁽¹⁾、u⁽²⁾、u⁽³⁾均是正交矩陣，為核心張量，它的維數(shù)與張量a是相同的。

步驟107：向第一用戶推薦標(biāo)簽。根據(jù)步驟106得到的標(biāo)簽權(quán)重值，利用top-n算法得到高于其他權(quán)重值的n個權(quán)重值；top-n算法即從研究對象中得到所需的數(shù)據(jù)，對其進行排序，從排序列表中選取最大或最小的n個數(shù)據(jù)，這就是一個top-n算法。例如當(dāng)n＝5時，篩選權(quán)重最高的前5個權(quán)重值，將所述5個權(quán)重值對應(yīng)的標(biāo)簽推薦給所述第一用戶。第一用戶是指第一次對某個項目標(biāo)注標(biāo)簽的用戶。例如篩選出的權(quán)重最高的5個標(biāo)簽為：喜劇，(愛情，倫理)，(驚悚，恐怖)，動作，感人，則當(dāng)?shù)谝挥脩魧ξ礃?biāo)注過標(biāo)簽的項目標(biāo)注標(biāo)簽時，將上述五個標(biāo)簽推薦給用戶，供用戶選擇。

對于此推薦方法的評價指標(biāo)可以采用命中率來進行評價。當(dāng)用戶對項目進行標(biāo)簽標(biāo)注時，選擇了推薦列表中的標(biāo)簽，則為命中；客戶未選擇推薦列表中的標(biāo)簽，自己定義新的標(biāo)簽對項目進行標(biāo)注，則為未命中。通過計算命中率來評價此推薦方法的準(zhǔn)確度。

圖4為本發(fā)明標(biāo)簽推薦系統(tǒng)的結(jié)構(gòu)圖。如圖4所示，所述結(jié)構(gòu)包括：

標(biāo)簽總集合獲取模塊401，用于依次獲取所有用戶對所有項目標(biāo)注的標(biāo)簽總集合，所述標(biāo)簽總集合包括所有的第一標(biāo)簽集合，所述第一標(biāo)簽集合為一個用戶對一個項目標(biāo)注的標(biāo)簽結(jié)合，所述第一標(biāo)簽集合包括m個標(biāo)簽，m為大于0的整數(shù)；

最大頻繁項集獲取模塊402，用于利用apriori算法獲取所述標(biāo)簽總集合中的最大頻繁項集；

新的標(biāo)識設(shè)定模塊403，用于將所述最大頻繁項集設(shè)定為新的標(biāo)識；

第二標(biāo)簽集合形成模塊404，用于將所述第一標(biāo)簽集合中所述最大頻繁項集替換為所述新的標(biāo)識，形成第二標(biāo)簽集合；

三維張量數(shù)據(jù)生成模塊405，用于將用戶、項目、第二標(biāo)簽集合相互對應(yīng)，生成用戶-項目-標(biāo)簽的三維張量數(shù)據(jù)，并將三者的關(guān)聯(lián)權(quán)重設(shè)為1；

三維張量數(shù)據(jù)分解模塊406，用于利用hosvd算法對所述三維張量數(shù)據(jù)進行分解，得到每個用戶對每個項目標(biāo)注的標(biāo)簽的權(quán)重值；

標(biāo)簽推薦模塊407，用于根據(jù)所述標(biāo)簽權(quán)重值，向第一用戶推薦標(biāo)簽，供所述第一用戶對第一項目標(biāo)注標(biāo)簽使用。

圖5為本發(fā)明標(biāo)簽推薦方法中將張量a沿著三個模方向進行分解的示意圖。如圖5所示，將三維張量數(shù)據(jù)利用公式沿著三個模方向進行分解，a1為所述三維張量a的1-模的矩陣展開形式；a2為所述三維張量a的2-模的矩陣展開形式；a3為所述三維張量a的3-模的矩陣展開形式。

圖6為本發(fā)明標(biāo)簽推薦方法中利用hosvd算法得到近似張量的示意圖；利用hosvd算法近似張量

圖7為本發(fā)明標(biāo)簽推薦方法中推薦標(biāo)簽后命中率比較圖。

實驗采用的數(shù)據(jù)集為movielens網(wǎng)站上的ml-20m數(shù)據(jù)集，此數(shù)據(jù)集是在15年5月產(chǎn)生的，記錄的是1995年到2015年期間用戶對電影進行的評分及標(biāo)簽的行為數(shù)據(jù)，從中抽取了671個用戶、915部電影、460個標(biāo)簽及1296條用戶對項目進行標(biāo)簽標(biāo)注的信息作為實驗數(shù)據(jù)，本章主要針對預(yù)測準(zhǔn)確性進行研究。為了驗證結(jié)果的準(zhǔn)確性，對數(shù)據(jù)進行了訓(xùn)練測試，本文隨機分了5份數(shù)據(jù)集，分別是d1，d2，d3，d4和d5，并將每份均分割為訓(xùn)練集和測試集，分割比例是9:1。

采用的評價指標(biāo)為命中率。命中率(hitratio)是推薦系統(tǒng)中用于評估推薦準(zhǔn)確性的一個指標(biāo)。命中率為推薦后的推薦列表中被命中的項目在所有被標(biāo)注過標(biāo)簽的項目中占有的比例。其定義公式如下：

推薦列表由top-n算法方法產(chǎn)生，若測試集中項目則視為im命中。

采用apriori算法對數(shù)據(jù)集進行分析后的用戶、項目和標(biāo)簽數(shù)如表1所示。可以看出，采用本發(fā)明方法對標(biāo)簽分析后，元組數(shù)目得到了明顯降低。因為原來經(jīng)常重復(fù)出現(xiàn)的多個標(biāo)簽被定義成一個新標(biāo)簽，那么原數(shù)據(jù)中的多個用戶-項目-標(biāo)簽就可以構(gòu)成一個用戶-項目-新標(biāo)簽，從而降低了三元組數(shù)目。

表1用戶、項目和標(biāo)簽數(shù)

采用hosvd算法分別對上述計算前后的用戶-項目-標(biāo)簽張量數(shù)據(jù)進行計算，得到了命中率隨推薦列表長度的變化結(jié)果如附圖7所示，該結(jié)果是在5個數(shù)據(jù)集上分別計算后求平均值所得。

從圖7可以看出，預(yù)處理前后，隨著推薦列表數(shù)量的增大，命中率hitratio均逐漸增大。而在對應(yīng)的推薦列表上，預(yù)處理后的命中率較預(yù)處理前有明顯提高。當(dāng)top-n到達70時，預(yù)處理后得到的命中率的增長速度逐漸增大。該結(jié)果表明，本發(fā)明的方法能夠有效提高推薦準(zhǔn)確性。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處。綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。