10.19678/j.issn.1000-3428.0054209
用于个性化推荐的条件卷积隐因子模型
在推荐系统中,传统的矩阵分解无法提取用户和物品特征,而神经协同过滤(NCF)在分解模型中增加多层感知器,但不能有效利用用户和物品ID之外的辅助信息.为此,提出一种新的条件卷积方法.通过将物品特征作为输入,将用户特征作为卷积核,达到权值不共享的目的,使得条件卷积具有更强的特征提取和组合能力以及不增加参数量的特性.在此基础上,条件卷积能够融入多种辅助信息进行个性化推荐.实验结果表明,与NCF模型相比,该方法在隐性反馈数据中推荐命中率提升3.11%,在显性反馈数据中评分预测误差降低2.47%.
推荐系统、深度神经网络、神经协同过滤、条件卷积、矩阵分解
46
TP18(自动化基础理论)
中国科学院先导专项课题“SEANET技术标准化研究;系统研制”
2020-05-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
85-90,96