吴俊杰，刘耀军，赵月爱

（太原师范学院计算机系，山西太原 030012）

0 引言

如何识别用户的喜好，是 Web个性化［1］的关键技术。通过精确匹配由用户访问兴趣建立的项目/对象模型，可有效地解决信息超载的问题。然而，用户的行为识别是一个复杂的过程，它涉及到各种搜索参数之间的关系。在用户行为建模方面，从服务器日志中获得的隐式数据更可靠，因为它反映了在各自网站的查询中用户的实际需求。然而，这些数据的问题是多维度的，如日期、时间、使用的操作系统、浏览器和其他细节。检索它们之间的关系是一个复杂的过程。传统的方法使用两个多维数据建模技术、欧氏距离或余弦相似度措施，但是，以往的研究表明［2］，在高维空间中，聚类的属性选择不同会产生相当大的差异。在这项研究中，我们建议使用TSM（张量空间模型），这是更高的三维数据建模工具，以有效地挖掘用户的信息，包括在每个维度上的用户访问兴趣。

1 相关的工作

TSM的使用已经成为流行，其多维数据建模和推论的能力已得到认可［3，4］。使用TSM Web挖掘和相关工作正处于起步阶段。TSM已广泛使用在化学计量学［4］。利用点击流数据来定位个性化网络搜索可以有效地进行Web挖掘［5］。最近，提出了ptucker（潜变量概率模型），它具有学习依赖性结构的能力。TSM使用降维HOSVD，已用于个性化的音乐和标签推荐体系，研究人员使用TSM创建基于标签的推荐模型。最近的工作是TSM的集群。不同于先前讨论的这些方法，我们将单个用户的行为模型化，组成张量，然后使用这种模式，根据用户最受好评的兴趣提出建议。……