融合迁移学习和神经网络的潜在因子模型

摘要：

潜在因子(Latent Factor,LF)模型是解决大规模稀疏数据缺失信息填补的有效方法之一.但是,传统的LF模型及其大部分变种考虑的目标数据集形式单一,且模型训练迭代次数多,收敛速度慢,很难满足快速响应的实时性需求.针对这些问题,本文综合考虑了模型预测精度和训练花费时间这两个方面,创新地提出一种融合迁移学习(Transfer Learning,TF)和神经网络(Neural Network,NN)的潜在因子(TL-NNLF)模型.一方面,通过迁移不同评分模式间的共享潜在信息来充分挖掘已知信息之间的关系,更好地进行特征的表征学习;另一方面,引入神经网络来减缓由于引入额外的评分领域所造成的模型训练负担,在保证满意的预测精度的同时提高模型的训练速度.最后,在真实数据集上的实验结果表明,和其他经典LF模型相比,本文提出的TL-NNLF模型能够在预测精度有所保证的前提下大大减少了模型训练时间.

关键词：潜在因子模型、矩阵分解、大规模稀疏数据、迁移学习、神经网络

所属期刊栏目：12

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;中央军委装备发展部航天飞行动力学技术国防科技重点实验室资助

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：20-27