双向关系是类脑协同学习中一个重要问题,根据人类个体之间的社交和感知产生的各种社会行为,都需要双向关系的支撑。多方面的沟通,会产生大量的用户行为信息,在双向关系中,用户的行为信息尤为重要,基于这些信息的推荐、预测和插补等双向问题被广泛研究,并且这些信息通常都会有多个标签,因此引入张量的概念,提出双向张量学习算法。本文主要的工作如下:(1)提出了一种基于矩阵分解的上下文感知张量Tucker分解算法。该算法根据切片操作,从张量中取出不可见位置所在矩阵,使用矩阵分解预估并且填充不可见位置的值,并通过提取的上下文信息,来分解轨迹数据张成的三阶张量进行预测,结果表明该算法效果更好。(2)提出了一种基于对数正态分布的贝叶斯张量分解插补算法。该算法对一组服从对数正态分布的随机数进行循环迭代,通过马尔可夫链蒙特卡罗算法(MCMC)得到Gibbs采样模型,继而对模型进行训练得到实验结果。结果表明,该模型较之于其他方法在处理三阶张量数据上可以获得更为准确的数据插补性能。(3)提出了一种基于变分贝叶斯的非负张量分解插补算法。利用Gibbs采样的MCMC算法是一种随机的近似方法,而变分贝叶斯是一种确定性近似方法。该算法利用变分贝叶斯理论近似变量的后验分布,并在张量的分解上加入非负约束。结果表明,加入了非负约束的算法的性能更好。综上所述,张量模型可以更好的存储数据的原始结构,解决一些现有的诸如推荐、预测、插补等双向问题,并且可以解决传统矩阵可能产生的维度灾难。加入贝叶斯推断和分解的非负约束可以提升张量分解算法的性能。