融合近邻评论的GRU商品推荐模型

摘要：

[目的]改进矩阵分解算法,融合近邻评论缓解评论稀疏,提高推荐准确性.[方法]应用多层感知机改进矩阵分解算法以得到用户和商品的深层非线性特征;处理评论集并深度融合近邻特征与用户特征,表征更符合用户偏好的特征;基于所得特征预测评分进行推荐.[结果]在亚马逊数据集上与其他深度模型进行对比实验,在准确率、召回率、归一化折损累计增益指标上最多可提升8.3％、22.8％、14.9％.[局限]未考虑用户给出评论的时间因素,并且忽略可能存在虚假评论的情况.[结论]改进的矩阵分解算法和融合近邻评论的方法可以有效提升推荐的准确性.

关键词：推荐模型、评分、评论、稀疏性、深度学习

所属期刊栏目：5

分类号：TP302;G202(计算技术、计算机技术)

资助基金：教育部重点实验室基金;辽宁省社会科学规划基金;创新项目

在线出版日期：2021-05-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：78-87