HRS-DC:基于深度学习的混合推荐模型

• 作者: 刘振鹏 孙静薇 尹文召 王文胜
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 深度学习 神经网络 矩阵分解 辅助信息 协同过滤
• 年，卷（期）: 2020,（14）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 169-175
• 页数: 7页
• 分类号: TP391.4
• 字数: 6013字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1903-0362

摘要

针对传统的矩阵分解算法,仅利用评分信息作为推荐依据,当评分数据稀疏时,不能准确获取隐式反馈,影响推荐的准确性,充分利用辅助信息进行隐式特征的提取成为研究热点之一,提出一种基于深度学习的推荐模型HRS-DC,利用深度神经网络和卷积神经网络从辅助信息中分别提取出用户和项目的隐性特征向量,再将特征向量经过改进的神经协同过滤得出新的评分矩阵.通过在三个真实的数据集上进行验证,与概率矩阵分解(PMF)、协同过滤主题回归(CTR)、协同过滤深度学习(CDL)、卷积矩阵分解ConvMF算法相比提高了评分预测的准确性,也在一定程度上缓解了冷启动问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘振鹏	河北大学电子信息工程学院	63	600	11.0	23.0
5	尹文召	河北大学电子信息工程学院	2	0	0.0	0.0
6	王文胜	河北大学电子信息工程学院	4	4	2.0	2.0
7	孙静薇	河北大学电子信息工程学院	4	3	1.0	1.0