基于深度矩阵分解网络的矩阵填充方法

摘要：

矩阵分解是矩阵填充中的流行方法,但现有的方法大多是基于浅层的线性模型,当数据矩阵变大且观测数据很少时,容易导致过拟合,性能也随之显著下降.针对这些问题,提出了一种基于深度矩阵分解网络(DM FN)的矩阵填充方法,该方法不仅能弥补传统矩阵分解的缺点,而且能处理复杂的非线性数据.首先,将输入矩阵的观测值对应的行和列向量作为输入,对其进行投影,得到其行(列)的潜在特征向量;然后,分别对行(列)的潜在特征向量构建多层感知器网络;最后,通过构建双线性池化层,将行和列的输出向量进行融合.在推荐系统数据集MovieLens及Netflix上进行测试,实验结果表明,在相同参数设置下,与主流的填充算法相比,所提方法填充预测的均方误差(RMSE)及绝对值误差(MAE)都有明显提高.

关键词：矩阵填充、矩阵分解、深度学习、双线性池化、多层感知器

所属期刊栏目：46

分类号：TP18(自动化基础理论)

资助基金：韶关学院校级项目SY2016KJ17 ,SY2016KJ04 ,广东省教育厅青年创新人才项目2018KQNCX233 ,广东省教育厅基础研究和应用基础研究重点项目 2018KZDXM065 ,广东省自然科学基金2017A030307022 , 2018A0303100015 ,华南理工大学广州学院优秀骨干教师科研项目56-CQ18YG18

在线出版日期：2019-11-22（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：55-62