| 融合偏置深度学习的距离分解Top-N推荐算法 |
| |
| 引用本文： | 钱梦薇,过弋.融合偏置深度学习的距离分解Top-N推荐算法[J].计算机科学,2021,48(9):103-109. |
| |
| 作者姓名： | 钱梦薇 过弋 |
| |
| 作者单位： | 华东理工大学信息科学与工程学院 上海 200237;华东理工大学信息科学与工程学院 上海 200237;大数据流通与交易技术国家工程实验室-商业智能与可视化技术研究中心 上海 200436;上海大数据与互联网受众工程技术研究中心 上海 200072 |
| |
| 摘 要： | 针对传统矩阵分解算法大多是浅层的线性模型,难以学习到深层次的用户和物品的隐特征向量,且在数据稀疏的情况下容易产生过拟合的问题,文中提出一种融合偏置深度学习的矩阵分解算法,在解决数据稀疏问题的同时,还能学习到表征能力更强的距离特征向量.首先,通过用户与物品的显式和隐式数据构建用户与物品的交互矩阵,并将交互矩阵转化为相应的距离矩阵;其次,将距离矩阵分别按行和按列输入加入偏置层的深度神经网络,学习得到具有非线性特征的用户和物品的距离特征向量;最后,根据用户和物品的距离特征向量计算用户和物品之间的距离,用距离值对物品按升序排列,生成Top-N的推荐列表.在4个真实数据集上进行实验,采用Precision,Recall,MAP,MRR和NDCG指标进行评估,结果表明所提算法在上述指标方面相比其他主流推荐算法有明显提升.
|
| 关 键 词： | 偏置层 深度学习 距离分解 物品排序 |
Biased Deep Distance Factorization Algorithm for Top-N Recommendation |
| |
| QIAN Meng-wei,GUO Yi.Biased Deep Distance Factorization Algorithm for Top-N Recommendation[J].Computer Science,2021,48(9):103-109. |
| |
| Authors: | QIAN Meng-wei GUO Yi |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
