基于标签聚类与用户模型的个性化推荐方法研究〔摘要〕社会标签系统是Web2.0中提出的概念，旨在更好地表达用户的兴趣和意愿。而标签聚类是社会标签系统的个性化推荐中一个重要的研究课题。本文研究了如何基于标签聚类与用户模型来进行个性化推荐的方法。通过计算标签的相似度进行标签聚类，结合用户模型，根据标签聚类结果做出推荐。通过采用CiteULike公布的数据集进行实验证明，与未采用标签聚类的推荐方法相比，本方法不仅可提高推荐的命中率，优化目标资源的排名，而且能为用户发现更多新的感兴趣的资源。〔关键词〕社会化网络；社会标签系统；标签聚类；用户模型；个性化推荐〔〕G250.73〔文献标识码〕A〔〕1008-0821（2016）06-0074-05〔Abstract〕SocialtagsystemisanewconceptproposedinWeb2.0toexpressusersinterestmoreclearly.Andtagclusteringisanimportantresearchtopicinpersonalizedrecommendation.Thispaperproposedapersonalizedrecommendationmethodbasedontagclusteringandusermodel.Tagclusteringwasrealizedbycalculatingsimilaritybetweentagsandmaderecommendationsaccordingtotagclusteringresults.ExperimentresultsusingCiteULikedatasetshow，proposedmethodwhichcouldimprovetherecommendationhitratiocomparedwithgeneralrecommendationalgorithm，optimizerankingofobjectiveresources，andhelpuserstodiscovernewresourceseasier.〔Keywords〕socialnetworks；socialtagsystem；tagclustering；usermodel；personalizedrecommendation在Web2.0时代，用户不仅是内容的浏览者，同时也是内容的创造者。由于网络信息的爆炸式增长，用户常常在海量信息中无法快速找到自己需要的资源。目前，大多数Web2.0网站都提供了社会标签系统，例如：Delicious，Last.fm，Flickr，CiteULike以及豆瓣网等。在这些网站中，用户可以按照自己的理解，自由地用标签对自己感兴趣的资源进行标注。同时，用户还可以根据标签对资源进行访问，并且可以利用对自己感兴趣的其他人所做的标签去发现一些自己感兴趣的新资源。用户在标注资源时所使用的标签既反映了用户自身的兴趣爱好，又反映了资源的特点。作为联系用户和资源的纽带，标签是反映用户数据的重要数据源。因此可以利用用户在标注资源时所使用的标签为用户推荐其所需要的资源。但是传统的协同过滤推荐算法并没有将标签信息考虑到推荐过程中，因此不能挖掘到标签所蕴含的丰富的个性化信息，无法适应社会标签系统中个性化推荐的要求。同时，由于社会化标注具有一定的随意性和不可控性，带来的标签语义模糊性以及数据稀疏性问题，影响了利用标签进行个性化推荐的效果。因此，研究如何通过标签聚类发现同一标签所表达的不同含义，理解用户的真正意图，为其推荐更加符合其兴趣的资源具有重要意义。近几年来，基于标签数据的推荐方法研究获得了学术界广泛的关注，如何利用用户标签数据设计高效准确的个性化推荐算法，为用户提供适合其个性化需求的资源和标签，已经成为个性化推荐研究领域重要的研究内容之一。本文主要研究用户给资源标注标签的行为，对标签进行聚类，通过分析用户标签数据确定推荐算法，将基于用户模型与基于链接关系的相似度计算方法相结合，研究增加标签聚类后的个性化推荐方法，通过与以往推荐方法的比较，证明可提高推荐的质量和性能。文章结构如下：第一部分对本文的研究内容进行简单介绍。第二部分对国内外研究现状进行介绍。第三部分描述本文采用的标签推荐算法，通过标签聚类提高推荐系统的性能，实现资源推荐。第四部分的实验设计评测指标验证该推荐系统各方面的性能。第五部分总结全文并且对未来工作进行展望。1国内外研究现状随着社会化网络的迅速发展，基于标签数据的推荐算法的研究已经成为该领域的研究热点之一。文献[1-2]提出的基于图的FolkRank算法是其中之一，这种方法的基本思想主要是利用标签与资源以及标签与用户之间的链接信息，但这种方法并没有很好的考虑用户标签中所蕴含的个性化涵义，因此无法给不同的用户推荐个性化标签。而将标签信息与传统的推荐模型相结合的研究是个性化推荐研究...