时光洋，于万钧，陈 颖

(上海应用技术大学 计算科学与信息工程学院，上海 201418)

0 引 言

推荐算法的价值在于帮助用户解决信息过载问题，做出更好选择。现有的推荐算法一部分主要有，深度矩阵分解算法[1]、强化学习推荐算法[2]、用户记忆网络顺序推荐[3]。它们的特点是加强了对隐含特征的学习，通过神经网络模型训练来提升推荐效果，但对于存在的显式特征没有充分挖掘出价值。例如，用户使用的标签信息和用户评分[4]。对此，有部分研究人员是关注标签信息的挖掘，Lin等[5]利用层次结构分析标签之间的关联特征，但没有考虑到用户自身对于不同标签的喜好程度大小。Zhu等[6]对标签推荐列表长度进行了优化，考虑了列表中标签的相关性，却忽略了不同标签所占的权重。Dai等[7]从评论中提取出特征及其情感程度，构建用户商品的特征权重，在计算方式中没有考虑到用户使用标签的显式作用对于用户商品特征权重的影响。

为解决上述问题，本文从用户对标签兴趣和用户对标签的评分信息两个方面展开研究，提升对用户兴趣挖掘的准确性。主要工作在以下几个方面：

(1)对用户所使用的标签进行操作，通过自定义函数确定用户对标签偏好值：分别计算用户对标签喜好值和用户对标签依赖度，将两者进行乘积运算得到用户标签偏好值。

(2)将用户对物品评分迁移为用户对所使用的标签评分，以此来计算标签在同一用户所使用的所有标签中所占权重。……