基于深度神经网络和概率矩阵分解的混合推荐算法

论文摘要

针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.

论文目录

• 1 引 言
• 2 基础知识
•   2.1 矩阵分解模型
•   2.2 神经网络
• 3 改进的混合推荐算法
•   3.1 混合推荐算法的总体框架
•   3.2 基于用户偏好的深度神经网络模型
•     3.2.1 用户和项目信息预处理
•     3.2.2 深度神经网络训练
•     3.2.3 嵌入层
•     3.2.4 卷积层和池化层
•     3.2.5 全连接层
•   3.3 基于概率矩阵分解的特征优化算法
• 4 实验验证
•   4.1 实验数据
•   4.2 评价指标
•   4.3 实验结果
•     （1） 针对数据集data1的均方误差和平均绝对误差情况如图5所示.
•     （2） 针对数据集data2的均方误差和平均绝对误差情况如图6所示.
•     （3） 针对数据集data3的均方误差和平均绝对误差情况如图7所示.
•     （4） 针对数据集data4的均方误差和平均绝对误差情况如图8所示.
• 5 结 论

文章来源

类型: 期刊论文

作者: 胡思才,孙界平,琚生根,王霞

关键词: 混合推荐,矩阵分解,神经网络,特征向量,卷积

来源: 四川大学学报(自然科学版) 2019年06期

年度: 2019

分类: 基础科学,信息科技

专业: 计算机软件及计算机应用,自动化技术

单位: 四川大学计算机学院,解放军61920部队

基金: 四川省重点研发项目(2018GZ0182)

分类号: TP391.3;TP183

页码: 1033-1041

总页数: 9

文件大小: 2576K

下载量: 525