Paper notes(2):三部图张量分解标签推荐算法

Paper notes(2):三部图张量分解标签推荐算法

Paper notes（2）:三部图张量分解标签推荐算法

• • 1. 解决的问题和解决的方法
  • 2.文中用到的符号及其定义
  • 3. TTD算法

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 { i t e m ， u s e r ， t a g } {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 k k k在资源 i i i上进行了 j j j标签标注，三部图在转换为二部图的过程中，只考虑了 U i j , W i k , V j k U_{ij},W_{ik}, V_{jk} Uij​,Wik​,Vjk​之间的关系，而损失部分 { i , j , k } {{i, j, k}} {i,j,k}之间的信息，以下图为例， i t e m item item 中的 i 2 i_2 i2​ 与 t a g tag tag 标签 j 2 j_2 j2​ 之间不仅仅存在着 U i 2 j 2 U_{i_2j_2} Ui2​j2​​ 的关系，同时 i 2 i_2 i2​ 与 j 2 j_2 j2​ 还可以沿着 i t e m item item 中的 i 2 i_2 i2​ 与 u s e r user user 中的 k 2 k_2 k2​ 以及 u s e r user user 中的 k 2 k_2 k2​ 到 t a g tag tag 中的 j 2 j_2 j2​ 之间传递 i 2 与 j 2 i_2与j_2 i2​与j2​ 之间的信息，这一部分信息会在转换为二部图的过程中遗失。