10.11772/j.issn.1001-9081.2017123060
基于堆栈降噪自编码器改进的混合推荐算法
针对传统协同过滤算法仅利用评分信息作为推荐依据,没有利用用户评论和标签信息,无法准确反映用户对项目特征的偏好,推荐精确度低且容易过拟合等问题,提出一种基于堆栈降噪自编码(SDAE)改进的混合推荐(SDHR)算法.首先利用深度学习模型SDAE从用户自由文本标签中抽取项目的显式特征信息;然后,改进隐因子模型(LFM)算法,使用显式项目特征信息替换LFM中的抽象特征,进行矩阵分解训练;最后通过用户-项目偏好矩阵为用户提供推荐.在公开数据集MovieLens上的实验测试,与三组推荐模型(基于标签权重及协同过滤、基于SDAE和极限学习机、基于循环神经网络)比较,该算法推荐精确度分别提高了45.2%、38.4%和16.1%.实验结果表明,所提算法可以充分利用项目自由文本标签信息提高推荐性能.
推荐系统、协同过滤、深度学习、堆栈降噪自编码器、隐因子模型
38
TP181(自动化基础理论)
国家自然科学基金资助项目61402342
2018-08-21(万方平台首次上网日期,不代表论文的发表时间)
共6页
1866-1871