基于SDAE特征表示的协同主题回归推荐模型

摘要：

为解决推荐系统中的冷启动问题,在协同主题回归CTR模型的基础上引入堆叠去噪自编码器SDAE深度学习网络,用于学习用户辅助信息的隐表示,建立SDAE-CTR模型.模型应用2层SDAE网络,以用户信息为网络输入量,将编码过程获得的用户辅助信息的隐表示和解码过程获得的输入近似表示为网络的双输出量,最小化用户辅助信息和近似表示的差值来确定最优隐表示.模型融合用户-项目评分矩阵(冷启动条件无评分)、项目内容信息和用户辅助信息实现用户对未评分项目的评分预测,并在LastFM、Book Crossing和MovieLens数据集上从推荐准确度、新颖性和用户冷启动条件下的推荐效果等3方面对SDAE-CTR模型和CTR模型进行比较.结果表明,SDAE-CTR模型在冷启动或非冷启动的条件下,推荐效果都要优于CTR模型的,虽然新颖性较CTR模型稍微逊色一些,但理论上在合理的范围内,总体上SDAE-CTR模型表现较优.

关键词：推荐系统、协同主题回归模型、堆叠去噪自编码器、混合推荐

所属期刊栏目：41

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61601212;辽宁省教育厅项目LJ2017QL012

在线出版日期：2019-06-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：924-932