一种基于深度学习的混合推荐算法

• 作者: 何太军 曾旭禹 杨燕 王淑营 陈剑波
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 推荐系统 深度学习 变分自编码 矩阵分析
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 2018年第七届中国数据挖掘会议
• 页码范围: 126-130
• 页数: 5页
• 分类号: TP391.3
• 字数: 5214字
• 语种: 中文
• DOI: 10.11896/j.issn.1002-137X.2019.01.019

摘要

推荐系统在电子商务的发展中发挥着越来越重要的作用,但用户对物品评分数据的稀疏性往往是推荐精度较低的重要原因.目前通常采用推荐技术对辅助信息进行处理,以缓解用户评价的稀疏性,并提高预测评分精度.通过相关模型,可以利用文本数据来提取物品的隐藏特征.最近,深度学习算法快速发展,因此文中选用了一种具有强大特征提取能力的新型深度网络架构——变分自编码器(Variational AutoEncoder,VAE).通过将无监督变分自编码融合到概率矩阵分解(Probability Matrix Factorization,PMF)中,构建了一种感知上下文的新型推荐模型——变分矩阵分解(Variational AutoEncoder Matrix Factorization,VAEMF).首先使用TD-IDF对物品的评价文档进行数据预处理,然后对处理后的数据使用VAE捕获物品的上下文信息特征,最后使用概率矩阵分解进一步提高预测评分精度.在两个真实数据集上的实验结果验证了所提方法相较于自编码算法及概率矩阵分解算法的优势.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王淑营	西南交通大学信息科学与技术学院	16	205	7.0	14.0
2	杨燕	西南交通大学信息科学与技术学院	97	1192	16.0	32.0
4	何太军	西南交通大学信息科学与技术学院	3	28	2.0	3.0
5	陈剑波	西南交通大学信息科学与技术学院	3	10	1.0	3.0
6	曾旭禹	西南交通大学信息科学与技术学院	2	27	2.0	2.0