融合LDA与注意力的网络信息个性化推荐方法

摘要：

针对现有网络信息推荐方法普遍存在关注主题局限,潜在兴趣挖掘不准确等问题,提出了融合LDA与注意力的网络信息个性化推荐算法.首先采用LDA模型归纳文档中主题与词的分布情况,为保证兴趣单词选取的完整性,引入HowNet来处理单词语义,以义原为最小单位来描述,根据分层机制逐层推导至单词相似性,从而避免通过距离来计算语义间的相似性.然后采取注意力机制为关注事务服务,针对特征词的重要性,利用加权值的改变,优化推荐内容的精确程度.将注意力注入到网络层中,在注意力层中,先启动实体部分,完成重要语义实体注入;再启动语义部分,根据传输路径的关注度,注入合理的相近实体.最后,基于Amazon开放的TH和SO数据集对推荐算法进行仿真分析,采取MSE、HR和NDCG三个指标进行衡量.通过实验结果,证明所提方法在推荐精度和误差方面均获得了有效改善,且对于不同数据集具有良好的适用性和泛化能力,推荐结果高度符合用户的真实需求.

关键词：注意力机制、推荐算法、主题分布

所属期刊栏目：39

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;教育部人文社会科学研究项目

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：528-532