基于张量分解和深度学习的混合推荐算法

• 作者: 倪友聪 夏巽鹏 张家精 陈金兰
• 来源期刊: 南京大学学报（自然科学版）
• 学科: 工学
• 关键词: 混合推荐算法 张量分解 深度学习 辅助数据 评分数据
• 年，卷（期）: 2019,（6）
• 页码范围: 952-959
• 页数: 8页
• 分类号: TP393
• 字数: 5030字
• 语种: 中文
• DOI: 10.13232/j.cnki.jnju.2019.06.008

摘要

张量分解和深度学习已被应用于推荐系统,并取得了较好的效果.张量分解较好地从用户对推荐对象评分中提取用户、推荐对象以及其他影响因素的隐性的特征,将这些特征进行匹配,给出推荐策略,但这种方法忽略了用户、推荐对象以及其他影响因素现有辅助数据信息中的显性特征.深度学习是从辅助信息中提取用户、推荐对象以及其他影响因素的特征,并进行匹配给出推荐策略,却忽略了用户评分数据中用户、推荐对象以及其他影响因素的隐性特征.将张量分解和深度学习两种推荐方法相融合,提出一种基于张量分解和深度学习的混合推荐算法.使用张量分解算法和深度学习分别从三阶用户评分数据和多源异构辅助信息中提取用户特征和推荐对象特征,并将它们匹配得出用户对推荐对象的需求或喜爱的预测评分,再将两种算法的预测评分进行融合给出最终综合评分,从而提高个性化推荐的精准度.对比实验证明混合推荐算法与传统的协同过滤算法相比误差降低了34.0％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张家精	安徽建筑大学数理学院	13	74	4.0	8.0
2	倪友聪	福建师范大学数学与信息学院	26	56	4.0	6.0
3	陈金兰	安徽建筑大学机械与电气工程学院	7	12	2.0	3.0
4	夏巽鹏	安徽建筑大学电子与信息学院	1	0	0.0	0.0