基于融合卷积神经网络协同过滤模型.docVIP

基于融合卷积神经网络协同过滤模型 　　摘要：在传统推荐系统中，通常基于协同过滤推荐算法挖掘评分中的隐含特征，但在实际应用中，评分矩阵往往十分稀疏，很难充分地表示用户偏好特征与物品描述特征。为了充分挖掘评论文本中的隐含特征，并在一定程度上缓解数据稀疏性问题，提出一种深度协同过滤模型（CFiCNN）：融合卷积神经网络的协同过滤模型。该模型利用卷积神经网络抽取用户-物品评论数据中的隐含特征，基于协同过滤的矩阵分解方法，进行评分预测。在4个真实数据集上对该模型进行了评估实验，并与3个常用模型进行对比。实验结果表明，该模型能够很好地抽取到用户与物品的隐含特征，并且进行更准确的评分预测。 　　关键词：推荐系统；评分预测；卷积神经网络；协同过滤；矩阵分解 　　DOIDOI：10.11907/rjdk.172511 　　中图分类号：TP301 　　文献标识码：A 文章编号：1672-7800（2017）012-0044-05 　　Abstract：In the traditional recommendation system， collaborative filtering is widely used to extract implied features. However， in practice， the rating matrix is usually very sparse， which is difficult to fully represent users’ preferences and items’ features. In order to fully extract the implicit features in reviews and to alleviate the sparseness of data to a certain extent， this paper proposes a deep collaborative filtering model， named collaborative filtering integrating convolutional neural network （CFiCNN）. This model uses convolution neural network to extract the implicit features in the user-item reviews， and then predicts ratings based on the matrix factorization. In this paper， CFiCNN is evaluated on four real data sets and compared with three commonly used models. The experimental results show that CFiCNN can extract the implicit features of the user and the commodity well， and make a more accurate rating prediction. 　　Key Words：recommendation system； ratings prediction； convolutional neural network； collaborative filtering； matrix factorization 　　0 引言 　　随着互联网技术的迅猛发展，每天都有大量文字、图片、视频等数据被上传到互联网中[1]，分析用户的反馈信息和物品描述信息，挖掘两者中的隐含特征，对用户进行个性化推荐十分必要。 　　传统推荐算法主要有两大类：一类是基于内容的推荐算法，另一类是基于协同过滤的推荐算法[2-4]。基于内容的算法根据用户或物品的元数据，即用户的个人信息和物品的内容信息，发现用户或物品间的相关性，据此产生推荐。基于协同过滤的方法更看重用户的历史数据，如购买历史、评分等[5]，在实际应用中，该算法往往能取得更精确的推荐。然而，基于协同过滤的推荐算法存在稀疏性问题，较难有效抽取数据特征[6]。因此，如何有效缓解稀疏性问题，是推荐系统中需要深入研究的热点。 　　近年来，深度学习在图像识别、文本处理和自然语言处理等方面数据深层次隐含特征的挖掘上取得了一定进展，其中，卷积神经网络（Convolutional Neural Network， CNN）表现尤为突出[7-8]。卷积神经网络是一种前馈神经网络，其特殊的网络结构使之更类似于生物神经网络，因此能够很好地抽取数据的深层隐含特征[9]。本文提出的基于融合卷积神