周末的时候，涛兄忙里偷闲，查了一下我们09年初的一个工作[Physica A 389 (2010) 179]的相关信息，却意外的发现这篇论文在短短不到一年时间内受到了两个国外同行小组的关注。其中一个发在国际会议Hypertext'10上的工作， 还将我们所提出的方法作为Baseline method同经典推荐算法放在一起进行比较。让我们开心是，我们的方法要比该文中所列举的几种经典算法的效果都要好。同时更让我们觉得高兴的是，作者在 我们的工作基础之上又提出了一种新的方法（考虑含权的user-tag信息），从而获得了更好的推荐效果。

这是我们2010年初在Physica_A上面发表的文章，也是我们第一篇将Tag引入推荐系统中的文章：“Personalized recommendation via integrated diffusion on user-item-tag tripartite graphs”。这篇文章的主旨是将经典物质扩散方法和Tag结合起来，将user-item-tag三部图分解为"user-item" 和"item-tag"两个二部图, 再分别利用物质扩散方法进行推荐后，使用线性组合的方法将两者有机的结合起来，从而充分的利用各自的优势，达到最优的推荐效果。这中推荐方法的特点是：思 路清晰，算法简单，容易实现，运算速度快，效果较好。因为这个工作算是是我本人进入社会标签网络的第一个还算有质量的工作，因此即使是只发在 Physica A上面，我个人也是非常的喜欢，它也是我们之后一系列工作的基础。对于理解社会标签网络的结构和如何利用标签为用户推荐有价值的信息有一定的借鉴作用。

第一次有工作被国际同行所关注，让我们实实在在的意识到自己的工作能够对同行起到哪怕是一定点的帮助作用，也让我们感受到科研的乐趣^_^

附[Physica A 389 (2010) 179] 和 HT'10的论文

PhysicaA.PDF
HT10.PDF

转载本文请联系原作者获取授权，同时请注明本文来自张子柯科学网博客。
链接地址：https://blog.sciencenet.cn/blog-210641-359766.html

上一篇：好消息：第三届(2009)中欧复杂性科学暑期班会议论文集正式出版
下一篇：最近和朋友照了张相，谁能看出其中蹊跷？[13]楼正解