基于迁移学习的领域自适应推荐方法研究

摘要：

协同过滤在目标评分数据非常稀疏时,其推荐效果往往会下降.跨领域推荐方法在一定程度上可以解决数据稀疏性的问题.对于不同领域异构的数据,如果不进行特征映射处理,则可能会导致负迁移;采用单一的迁移模式,则会造成潜在信息缺失.因此,提出一种领域自适应的方法,以应用于跨领域推荐.具体包括:利用GFK特征映射后,以增加共享信息的一致性和减少潜在信息的缺失;采用联合用户侧重和项目侧重多元迁移模式来预测缺失评分的目标域矩阵,以提升预测评分的准确性.经开源数据集上的实验测试,证实了该模型可提高推荐的精准度.

关键词：迁移学习、推荐方法、域自适应、数据稀疏、特征映射

所属期刊栏目：55

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71471073

在线出版日期：2019-07-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：59-65