改进矩阵分解与卷积神经网络结合的推荐模型

• 作者: 刘广聪 蔡念 蔡红丹
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 推荐系统 信息爆增 矩阵分解 卷积神经网络
• 年，卷（期）: 2019,（19）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 178-184
• 页数: 7页
• 分类号: TP183
• 字数: 7000字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1811-0218

摘要

针对推荐系统评分数据稀疏和评价信息爆增等问题进行模型研究和改进.在传统矩阵分解模型基础上加入了用户和项目的影响因子,提高预测模型的泛化能力;建立跨通道卷积神经网络对用户评价信息进行识别,将改进的矩阵分解模型与改进卷积神经网络进行结合,提出一种改进矩阵分解与跨通道卷积神经网络结合的推荐模型,提高预测模型的准确度.实验结果表明,该模型预测性能相对于PMF、CTR和CDL在三个数据集上的最优性能分别提升2.96%、10.27%和1.77%,相对于MF&CNN性能分别提升0.29%、2.98%和0.08%;当数据密度从20%增至80%时,模型预测性能会进一步提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	蔡念	广东工业大学计算机学院	47	270	9.0	14.0
2	刘广聪	广东工业大学计算机学院	36	178	7.0	12.0
3	蔡红丹	三峡大学计算机学院	1	4	1.0	1.0