基于平行因子分解PARAFAC的协同聚类推荐算法

　　针对三元组数据内在关联性复杂的特点，提出了基于平行因子分解（ PARAFAC）的协同聚类推荐算法。该算法利用PARAFAC算法对张量进行分解，挖掘多维数据实体之间的相关联系和潜在主题。首先，利用PARAFAC分解算法对三元组张量数据进行聚类；然后，基于协同聚类算法提出了三种不同方案的推荐模型，并通过实验对三种方案进行了比较，得到了最优的推荐模型；最后，将提出的协同聚类模型与基于高阶奇异值分解（ HOSVD）的推荐模型进行比较。在last．fm数据集上，PARAFAC协同聚类算法比HOSVD张量分解算法在召回率和精确度上平均提高了9.8个百分点和3.7个百分点，在delicious数据集上平均提高了11.6个百分点和3.9个百分点。实验结果表明所提算法能更有效地挖掘出张量中的潜在信息和内在联系，实现高准确率和高召回率的推荐。