基于矩阵分解和评论嵌入表示的推荐模型研究

• 作者: 张佳晖 张宇
• 来源期刊: 浙江理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 推荐系统 协同过滤 深度神经网络 多任务学习 词嵌入
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 电子与信息技术
• 页码范围: 79-91
• 页数: 13页
• 分类号: TP181
• 字数: 12047字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-3851(n).2019.01.012

摘要

协同过滤是目前最为成功的推荐技术之一, 但它只利用了评分数据, 忽视了大量可以利用的用户评论.针对该问题提出了一种基于概率图的深度神经网络推荐模型, 即共享表示模型 (Shared representation model, SRM) , 并在SRM的基础上提出一种基于多任务学习思想的改进模型, 即隐因子共同学习模型 (Joint learning model with latent factor, LF-JLM) .LF-JLM结合了基于矩阵分解的隐因子推荐算法和doc2vec语言模型, 它在doc2vec和隐因子模型的映射层使用共享的用户、商品、评论文档的向量表示, 因此能够学习到具有跨任务不变性的底层特征.在Amazon数据集上对提出的两种模型与作为基线的隐因子模型和HFT模型进行了对比实验, 实验结果表明:LF-JLM能够有效地抽取出评论中隐含的语义信息;与隐因子模型和HFT模型相比, 该算法评分预测的均方误差分别减小了7.85％和1.19％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张宇	浙江理工大学信息学院	10	43	4.0	6.0
2	张佳晖	浙江理工大学信息学院	2	1	1.0	1.0