1.一种面向社交网络基于张量分解的上下文感知推荐系统，包括数据源信息获取模块，用于获取用户对项目的行为信息和评分时的上下文信息，其特征在于，还包括稀疏评分矩阵构建模块、预测评分填充矩阵模块、预测用户相似度矩阵模块及优化评分填充矩阵模块；其中，稀疏评分矩阵构建模块，用于根据数据源信息获取模块获取的原始数据建立稀疏评分矩阵，所述稀疏评分矩阵的内容为用户-项目-上下文评分矩阵；预测评分填充矩阵模块，用于采用张量分解法预测评分并填充稀疏评分矩阵，将原本的稀疏评分矩阵变成稠密评分矩阵；所述采用张量分解法，将用户-项目-上下文N阶张量分解为一个核心张量和N个因子矩阵乘积，计算公式为：X≈C×1U(1)×2U(2)...×NU(N)

其中，U是因子矩阵， 是

核心张量；

预测用户相似度矩阵模块，用于根据获取的原始数据计算用户相似度，构建用户-用户稀疏相似度矩阵，采用矩阵分解法填充用户-用户稀疏相似度矩阵，得到用户-用户稠密相似度矩阵；

优化评分填充矩阵模块，用于优化稀疏评分矩阵构建模块的稠密评分矩阵，并根据用户-用户稠密相似度矩阵，构建加入社交正则化项的张量分解目标函数，再采用梯度下降法优化目标函数，得到最终的预测评分矩阵，最后根据最终的预测评分矩阵中评分高低，将评分高的项目作为目标用户的推荐集；

采用矩阵分解法，填充用户-用户稀疏相似度矩阵S，计算用户i和用户j的预测相似度；

在最终的优化目标中，希望预测的相似度与真实的相似度越接近，并且为了防止出现过拟合，需要添加正则化项，计算公式如下：其中η为经验参数，优化函数采用梯度下降法求解；

优化稠密评分矩阵具体可分为两个步骤：

S31：根据填充后的稠密评分矩阵和用户-用户稠密相似度矩阵，在构建优化稠密评分矩阵的目标函数时，加入社交正则化项目，目标函数如下：S32:通过对目标函数采用梯度下降算法迭代更新稠密评分矩阵，得到最优的预测评分矩阵，迭代公式如下：

2.根据权利要求1所述的面向社交网络基于张量分解的上下文感知推荐系统，其特征在于，所述用户对项目的行为信息和评分时的上下文信息，主要从现有的基于Web的研究型推荐系统或者成熟的社交平台获取。

3.一种面向社交网络基于张量分解的上下文感知推荐方法，其特征在于，包括以下步骤：数据源信息获取步骤：获取用户对项目的行为信息和评分时的上下文信息，还包括稀疏评分矩阵构建步骤、预测评分填充矩阵步骤、预测用户相似度矩阵步骤及优化评分填充矩阵步骤；其中，稀疏评分矩阵构建步骤，根据数据源信息获取模块获取的原始数据建立稀疏评分矩阵，所述稀疏评分矩阵的内容为用户-项目-上下文评分矩阵；

预测评分填充矩阵步骤，采用张量分解法预测评分并填充稀疏评分矩阵，将原本的稀疏评分矩阵变成稠密评分矩阵；所述采用张量分解法，将用户-项目-上下文N阶张量分解为一个核心张量和N个因子矩阵乘积，计算公式为：X≈C×1U(1)×2U(2)...×NU(N)

其中，U是因子矩阵， 是

核心张量；

预测用户相似度矩阵步骤，根据获取的原始数据计算用户相似度，构建用户-用户稀疏相似度矩阵，采用矩阵分解法填充用户-用户稀疏相似度矩阵，得到用户-用户稠密相似度矩阵；

优化评分填充矩阵步骤，优化稀疏评分矩阵构建模块的稠密评分矩阵，并根据用户-用户稠密相似度矩阵，构建加入社交正则化项的张量分解目标函数，再采用梯度下降法优化目标函数，得到最终的预测评分矩阵，最后根据最终的预测评分矩阵中评分高低，将评分高的项目作为目标用户的推荐集；

采用矩阵分解法，填充用户-用户稀疏相似度矩阵S，计算用户i和用户j的预测相似度；

在最终的优化目标中，希望预测的相似度与真实的相似度越接近，并且为了防止出现过拟合，需要添加正则化项，计算公式如下：其中η为经验参数，优化函数采用梯度下降法求解；

优化稠密评分矩阵具体可分为两个步骤：

S31：根据填充后的稠密评分矩阵和用户-用户稠密相似度矩阵，在构建优化稠密评分矩阵的目标函数时，加入社交正则化项目，目标函数如下：S32:通过对目标函数采用梯度下降算法迭代更新稠密评分矩阵，得到最优的预测评分矩阵，迭代公式如下：

4.根据权利要求3所述的面向社交网络基于张量分解的上下文感知推荐方法，其特征在于，所述数据源信息获取步骤包括：主要从现有的基于Web的研究型推荐系统或者成熟的社交平台获取用户对项目的行为信息和项目的上下文信息，获取用户信息集合，关注列表集合，项目信息集合，上下文信息集合。