基于改进的宽深度模型的推荐方法研究

• 作者: 冯旭鹏 刘利军 王艺平 黄青松
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 文本推荐 排序模型 深度学习 门循环神经单元
• 年，卷（期）: 2018,（11）
• 所属期刊栏目: 数据工程
• 页码范围: 49-54
• 页数: 6页
• 分类号: TP3
• 字数: 5226字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2018.11.007

摘要

现代社交网络的个性化博文推荐中,博文特征选取质量的高低直接影响了推荐的质量和效率.深度模型可以较高质量地提取出文本中句法和语义的特征.然而短文本特征稀疏且未考虑上下文语境的问题,普遍存在于文本推荐任务中.针对以上问题,在现有宽深度模型的基础上,利用门限循环单元对其多层普通神经网络进行改进,提出宽深度门循环联合(Wide & Deep-GRU)模型,进一步探索浅层部分和深度部分的联合训练.使用从新浪微博获取的真实数据集分别与单一逻辑回归模型、单一深度神经网络模型和宽深度模型进行对比.实验表明,该方法整体上推荐质量较高,同时推荐效率较之前模型也有显著提高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄青松	昆明理工大学信息工程与自动化学院	91	265	9.0	12.0
3	刘利军	昆明理工大学信息工程与自动化学院	77	196	7.0	10.0
4	冯旭鹏	昆明理工大学教育技术与网络中心	34	77	5.0	7.0
7	王艺平	昆明理工大学信息工程与自动化学院	1	2	1.0	1.0