融合主题信息和卷积神经网络的混合推荐算法

• 作者: 刘爽 房建东 田保军
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 推荐算法 主题模型 卷积神经网络 概率矩阵分解 协同过滤
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 人工智能
• 页码范围: 1901-1907
• 页数: 7页
• 分类号: TP183
• 字数: 8682字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2019122067

摘要

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题,提出了一种基于隐狄利克雷分布(LDA)与卷积神经网络(CNN)的概率矩阵分解推荐模型(LCPMF),该模型综合考虑项目评论文档的主题信息与深层语义信息.首先,分别使用LDA主题模型和文本CNN对项目评论文档建模;然后,获取项目评论文档的显著潜在低维主题信息及全局深层语义信息,从而捕获项目文档的多层次特征表示;最后,将得到的用户和多层次的项目特征融合到概率矩阵分解(PMF)模型中,产生预测评分进行推荐.在真实数据集Movielens 1M、Movielens 10M与Amazon上,将LCPMF与经典的PMF、协同深度学习(CDL)、卷积矩阵因子分解模型(ConvMF)模型进行对比.实验结果表明,相较PMF、CDL、ConvMF模型,所提推荐模型LCPMF的均方根误差(RMSE)和平均绝对误差(MAE)在Movielens 1M数据集上分别降低了6.03% 和5.38%、5.12% 和4.03%、1.46% 和2.00%,在Movielens 10M数据集上分别降低了5.35% 和5.67%、2.50% 和3.64%、1.75% 和1.74%,在Amazon数据集上分别降低17.71% 和23.63%、14.92% 和17.47%、3.51%和4.87%,验证了所提模型在推荐系统中的可行性与有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	田保军	内蒙古工业大学信息工程学院	17	95	6.0	9.0
2	房建东	内蒙古工业大学信息工程学院	55	161	7.0	9.0
3	刘爽	内蒙古工业大学数据科学与应用学院	11	18	3.0	4.0