Paper notes（1）：社会标签推荐张量分解方法研究

最新推荐文章于 2026-06-21 00:37:40 发布
原创 最新推荐文章于 2026-06-21 00:37:40 发布 · 464 阅读 · 1
本文针对社会标签数据集的稀疏性和语义丢失问题，提出了一种低阶张量分解（LOTD）算法。该算法通过张量结构表示数据，用0阶、1阶、2阶多项式分解，有效处理了数据稀疏和缺失值，提高了推荐标签的精度和召回率。此外，还介绍了一种新的三部图张量分解方法，增强数据信息的完整性，降低了语义损失。

Paper notes（1）：社会标签推荐张量分解方法研究


本文只是个人用于记录论文学习笔记，如有写错的地方还望各位大佬批评指正。

1. 解决的问题

  1. 现有的大多数基于张量分解的标签推荐算法对社会标签数据集的极度稀疏性、存在大量稀疏值的特点无法实现理想的处理。
  2. 社会标签数据通常被描述为一个三部超图模型，该模型在维度转换过程中总是存在语义丢失的情况。

2. 解决的方法

  1. 提出了一种低阶张量分解算法，将社会标签数据集用张量结构来表示，并用低阶多项式进行分解，其中低阶多项式主要吧包括0阶、1阶、2阶多项式。这种方法有效的解决了数据极度稀疏和缺失值的问题，提高了推荐标签的精度和召回率。
  2. 提出一种新的三部图张量分解算法，对三部图结构用张量的方法进行分解，分解产生的二维关系矩阵除了包含相应两个维度之间的直接关系，还包含了同时存在于原有三个维度之间的关系信息，表达的数据信息更加完整，精度更高，能有效解决语义丢失的问题

3. 文中用到的符号定义


3.文中的低阶张量分解算法（LOTD）

张量分解关系示意图
该模型的表达式为：
Y i j k = d + a i + b j + c k + U i j + V i k + W j k Y_{ijk} = d + a_i + b_j + c_k + U_{ij}+V_{ik}+W_{jk} Yijk​=d+ai​+bj​+ck​+Uij​+Vik​+W

最低0.47元/天 解锁文章
基于张量分解的推荐算法研究_黄丹
12-26
先简单地介绍了局部低秩矩阵分解推荐算法（ＬｏｃａｌＬｏｗ－ＲａｎｋＭａｔｒｉｘ Ａｐｐｒｏｘｉｍａｔｉｏｎ，化ＯＲＭＡ）的内容该推荐算法结合了基于记忆的协同过滤推荐 算法和基于模型的协同过滤推荐算法的特点。然后介绍了时间因素对推荐系统的 影响，接着介绍张量分解这一数学模型，最后针对推荐算法ＬＬＯＲＭＡ忽略时间因 素这一缺点，结合张量分解对推荐算法ＬＬＯＲＭＡ进行改进，提出了改进的基于时 间的局部低秩张量分解（ＬｏｃａｌＬｏｗ－ＲａｎｋＴｅｎｓｏｒＦａｃｔｏｒｉｚａｔｉｏｎ，ＬＬＯＲＴＦ）推荐算法
matlab张量积代码-tensorFeatureExtraction:通过张量分解提取特征
05-26
matlab张量积代码张量特征提取 这是用于多维数据特征提取的MATLAB脚本。 该存储库包含两种算法，具有高阶正交迭代的特征提取[1]和具有张量-列分解的特征[2]。 我实现了这些特征提取算法，并使用MNIST手写数字数据集对它们的准确性进行了实验。 安装： 安装 。 安装 。 安装 。 克隆我们的代码： $git clone git@github.com:YoshiHotta/tensorFeatureExtraction.git 运行脚本文件（src / * _ script.m） 学分。 该算法在以下文章中提出，并不是我的结果。 [1] Phan，Anh Huy和Andrzej Cichocki。 “用于高维数据集的特征提取和分类的张量分解。” 非线性理论及其应用，IEICE 1.1（2010）：37-68。 [2] Bengua，Johann A.，Ho N. Phien和Hoang D. Tuan。 “通过矩阵乘积状态分解对张量进行最佳特征提取和分类。” 大数据（BigData Congress），2015年IEEE国际大会。 IEEE，2015年。 该脚本除了使用以下论文
比较好的 Paper Notes 集锦
Deep Learning and NLP Farm
12-06 767
这些notes不是简单地翻译paper, 而是深入地进行解析，我觉得这些解析对于我理解这些Paper有比较大的帮助，特意总结在此以便下次查看。 Deep Residual Learning for Image Recognition: https://blog.csdn.net/qq_30478885/article/details/78828734 ...
Paper notes(2):三部图张量分解标签推荐算法
coldsun233的博客
05-11 826
@[TOC](Paper notes(2):三部图张量分解标签推荐算法) 本文只是个人用于记录论文学习笔记，如有写错的地方还望各位大佬批评指正。 1. 解决的问题和解决的方法 三部图转换成二部图时会丢失部分元素间的相关信息，而且不能有效处理标签系统中具有大量稀疏值和缺失值的数据。 关于丢失信息的问题，以常用的{item，user，tag}\{item，user，tag\}{item，user，tag}标签系统为例，数据以三元组{i,j,k}{\{i, j, k\}}{i,j,k}的形式出现，表示用户kkk在
零基础理解推荐系统中的张量和张量分解（一）
weixin_40118551的博客
06-01 2347
** 零基础理解推荐系统中的张量和张量分解 ** 本人最近要做一个推荐系统的算法研究，里面用到了张量和张量分解来补充一些稀疏的评分值。 所以我在网上找了很多介绍张量的文章，看完感觉一头雾水，光是秩、阶、维这三个东西我都完全分不清楚，每个文章都写的有所不同。 我翻阅了各种资料，最后有了一点自己的理解。现在把我理解的张量和张量分解写出来，有错误希望各位指正。（我下面所说的张量都是数组形式，用于推荐系统...
ML之RS之MF：基于简单的张量分解MF算法进行打分和推荐
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
08-18 1万+
ML之RS之MF：基于简单的张量分解MF算法进行打分和推荐 目录 输出结果 实现代码 输出结果 先看结果 实现代码 #ML之RS之MF：基于简单的张量分解MF算法进行打分和推荐 import numpy def matrix_factorization(R, P, Q, K, steps=5000, alpha=0.0002,...
【Reading Notes】（5）Favorite Articles from 2022
bryant_meng
03-12 407
自然语言本身是人类创造出来的数据，其中每个单词、每个字符都是人类写下来的，天然带有语义，因此从严格意义上说，NLP的预训练任务不能被视为真正的无监督预训练，至多算是弱监督的预训练。显然“椅子”属于“家具”，而“电视机”属于“家电”，但是“按摩椅”属于“家具”还是“家电”，就很难判断——这就是语义粒度的增加引发的确定性的下降。有人猜测，尽管这次裁员比例不会像马斯克对推特那样，直接砍掉50%那么夸张，但由于Meta员工数量远超推特，且近年来迅速膨胀，此次最终裁员的绝对数量可能超过推特。
【skill】Baoyu Article Illustrator：让 AI 自动为 Markdown 文章配图
最新发布
ShyanZh的博客
06-21 218
Baoyu Article Illustrator是一个AI文章配图工具，通过三维体系（类型x风格x配色）自动生成风格统一的插图。它解决了技术博客配图耗时的痛点，提供6种信息类型、22种视觉风格和4种配色方案，支持组合搭配保证全文视觉一致性。工具已集成25K+安装和21K+ GitHub星，成为目前最成熟的AI配图解决方案。用户可通过简单命令快速添加，并选择预设模板或自定义参数生成匹配文章内容的专业插图。
AI技术周报的工程化实践：可验证性驱动的筛选与复现
weixin_33724046的博客
06-17 404
AI技术周报本质上是一种面向工程决策的信息服务，其核心价值不在于信息广度，而在于可验证性——即代码可跑、数据可复现、影响可定位。这种以实操为导向的设计逻辑，源于对开源复现门槛、产业信号识别等现实瓶颈的深度响应。它将论文、开源项目与基础设施演进统一纳入‘可执行’框架，使技术传播真正服务于模型部署、推理优化和MLOps落地等高频场景。本文聚焦2021年9月这一关键临界点，解析如何构建具备时间精度、版本可控与行动指令明确的技术情报系统。
浅析张量分解（Tensor Decomposition）
热门推荐
yixianfeng41的专栏
06-10 8万+
一般一维数组，我们称之为向量（vector）,二维数组，我们称之为矩阵（matrix）;三维数组以及多位数组，我们称之为张量（tensor）。 在介绍张量分解前，我们先看看矩阵分解相关知识概念。一、基本概念矩阵补全（Matrix Completion）目的是为了估计矩阵中缺失的部分（不可观察的部分），可以看做是用矩阵X近似矩阵M，然后用X中的元素作为矩阵M中不可观察部分的元素的估计。矩
基于多元关系的张量分解标签推荐方法
04-30
标签推荐的现有方法忽视了多种属性特征之间的联系，无法保证大数据环境下推荐系统的准确率。针对该问题，提出了一种基于用户聚类和张量分解的新标签推荐方法，以进一步提高标签推荐的质量。该方法首先对一些对产品具有重要影响的用户进行聚类，然后根据用户、产品、标签和产品评分之间的多元关系综合计算总权重。最后，根据聚类之后的用户群体以及多元关系的总权值构建张量并进行张量因式分解。实验与传统张量分解方法相对比，结果表明提出的方法在准确率上具有一定的提高，验证了算法的有效性。
三部图张量分解标签推荐算法
02-24
三部图张量分解标签推荐算法
svd算法matlab代码-Tensor_codes:用于计算各种张量分解的MATLAB代码
05-27
svd算法matlab代码张量代码 用于计算各种张量分解的MATLAB代码。 大多数共享代码都没有经过优化，只能用来检查提出的新张量分解模型的可行性。 大多数算法也基于交替最小二乘的变体。 最近更新：21/02/2019 - - - - 内容 - - - - - 1 /基于字典的分解 一组使用CPD模型分解张量的函数，其中一个因素存在于大量已知组件字典中。 a）M2PALS：可以使用多个词典，每个词典要选择的原子数都有界限。 b）MPALS：张量T的CPD中的因​​子A为A = D（：，K），K为一组同名异形。 具有贪婪和灵活的算法。 c）ProxOp：l_1和l_∞引起的矩阵范数，python和Matlab代码的近邻运算符均可用。 Python代码以更优化的方式实现。 2 /耦合分解 a）CCP：弹性耦合张量分解。 b）NNP2：在耦合模式下具有非负约束的灵活耦合的PARAFAC2。 c）注册CP：即将推出 3 /约束张量数据的压缩和加速约束 a）PROCO-ALS：快速的非负张量PARAFAC /规范多态分解。 压缩基于随机SVD。 4 /非线性张量分解 a）NLFD：非线性荧光分
Social LSTM: Human Trajectory Prediction in Crowded Spaces 论文翻译
qq_42902997的博客
03-02 2938
摘要 行人可沿不同的轨道行走，以避开障碍物及方便其他行人。在这样的场景中行驶的任何自动驾驶车辆都应该能够预见行人未来的位置，并相应地调整其路径以避免碰撞。轨迹预测问题可以看作是一个序列生成任务，我们感兴趣的是根据人们过去的位置来预测他们未来的轨迹。在递归神经网络(RNN)模型用于情景预测任务的基础上，我们提出了一种学习一般人体运动并预测未来运动轨迹的LSTM模型。这与使用手工制作的功能(如社会力量...
Paper notes-Residual Dense Network for Image Super-Resolution
Cutepingping的博客
06-11 1616
Paper notes-Residual Dense Network for Image Super-Resolution论文地址：https://arxiv.org/pdf/1802.08797.pdf代码地址：https://github.com/yulunzhang/RDN/tree/master/RDN_TrainCode作者提出了一个RDN（Residual Dense Network）...
张量分解之CP分解（Matlab代码）
qq_34821290的博客
05-22 7156
CP分解的Matlab代码： %随机生成一个稀疏三维张量5*4* 3，其中有10条数据 X=sptenrand([5 4 3],10); %用ALS交替最小二乘来分解张量，分解参数R=2，即分解为两个秩一张量；其中分解参数最多可以设置为min（5*4；5* 3；4*3） P=parafac_als(X,2); CP分解的原理： CP分解的求解首先要确定分解的秩1张量的个数，由张量的秩Rank...
PaperNotes(19)-TGAN、DeliGAN
sinat_40624829的博客
03-19 647
T-GAN1.从RS-GAN说起2.T-GANAbstract1 Reviews of GANs4 Experiments4.1 Design of Discriminator5.Conclusion 1.从RS-GAN说起 SGAN 就是标准的 GAN（Standard GAN）。 这个建模过程似乎对判别器的要求过于苛刻了，因为判别器是孤立运作的：训练生成器时，真实样本没有参与，所以判别器必须把...
『矩阵论笔记』上篇：张量CP分解的详细推导以及Python实现
AI新视界
07-11 4489
张量CP分解的详细数学推导以及Python实现(上集)
驱动冲突伴随 DWG 图纸文字问号怎么办？下载冲突解决合集.zip
06-19
彻底解决CAD图纸文字变问号、文字变乱码，以及其他所有字体缺失带来的烦恼
【对架无人机进行规范控制和点对点运动的模拟】可变桨叶四旋翼控制的优化推力分配：翻转动作的比较研究（Matlab代码实现）
06-19
内容概要：本文围绕可变桨叶四旋翼无人机的规范控制与点对点运动模拟展开，重点研究优化推力分配策略在翻转动作中的应用与性能比较。通过Matlab代码实现，构建了四旋翼动力学模型，并设计了多种控制算法以实现精确的姿态调整与轨迹跟踪。研究对比了不同推力分配方案在执行高机动性翻转动作时的稳定性、能耗效率与响应速度，旨在提升无人机在复杂飞行任务中的动态性能与控制精度。该仿真研究为无人机飞控系统的设计与优化提供了理论依据和技术支持。; 适合人群：具备一定自动控制理论基础和Matlab编程能力，从事无人机控制、飞行器动力学或机器人系统研究的科研人员及研究生。; 使用场景及目标：① 实现四旋翼无人机在三维空间中的精确点对点运动控制；② 对比分析不同推力分配策略在执行翻转等高难度动作时的控制效果与能耗表现，优化飞行性能；③ 为无人机自主飞行、特技飞行及复杂环境下的机动控制提供算法验证平台。; 阅读建议：此资源以Matlab仿真为核心，建议读者结合相关控制理论知识，深入理解代码实现细节，重点关注动力学建模、控制律设计与推力分配模块。在学习过程中，应动手调试参数，复现文中翻转动作的仿真结果，并尝试拓展至其他复杂飞行任务，以加深对无人机控制机理的理解。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值