基于决策树改进深度交叉网络的推荐模型

摘要：

特征挖掘是推荐算法模型中学习用户与物品之间交互行为的关键步骤,对提升推荐模型的准确度具有重要意义.现有的特征挖掘模型中,线性逻辑回归模型虽然简便,能够达到很好的拟合效果,但其泛化能力较弱,且模型对特征参数量的需求较大.深度交叉网络能够有效实现对特征的交叉提取,但其对数据特征的表征能力仍然不足.因此,文中引入多重残差结构与交叉编码思想,提出了一种基于决策树的方法来改进深度交叉网络的推荐模型.首先基于GBDT算法设计构建强化特征的树结构,加强模型对潜在特征的深度挖掘;其次对模型嵌入层的输入参数维度进行扩增优化;最后对改进的深度交叉网络推荐模型进行推荐预测.该设计不仅可以克服现有模型在泛化能力上的局限性,还能在保持特征参数量精简的同时令其表征能力有所加强,进而有效挖掘用户的隐藏关联,提高推荐的准确度.基于公测数据集的实验结果表明,所提出的模型预测效果比现有的特征交互方法更优.

关键词：特征挖掘、特征交叉、强化特征、决策树、推荐模型

所属期刊栏目：50

分类号：TP301.6(计算技术、计算机技术)

在线出版日期：2023-09-06（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：614-620