基于深度学习的多交互混合推荐模型-计算机工程与应用.PDFVIP

Computer Engineering and Applications 计算机工程与应用 2019 ，55（1） 135 基于深度学习的多交互混合推荐模型 用 1 2 1，2 李同欢 ，唐 雁 ，刘 冰 应 1. 西南大学 计算机与信息科学学院，重庆 400715 2. 达州职业技术学院，四川 达州 635001 与 程 摘 要：传统的推荐系统中，基于矩阵分解的协同过滤方法只考虑单一的评分信息，而且作为浅层模型无法学习到 g 更深层次的特征信息。提出一种基于深度学习的多交互混合推荐模型，通过深度学习模型融合更多的辅助信息作 工 r o 为输入，能够缓解数据的稀疏性问题；利用多层交互的非线性网络结构去学习更抽象、稠密的深层次特征表示；通 . j 过对用户和项目的隐表示进行多次内积交互获得不同层次的特征表示结果；聚合所有的交互结果进行预测。在 机 RMSE a Movieles latest 100K 数据集上进行实验，采用 指标进行评估，结果表明所提模型在推荐效果上有所提升。 e 关键词：协同过滤；深度学习；辅助信息；多层交互；神经网络；推荐系统 算 c . 文献标志码：A 中图分类号：TP391.4 doi ：10.3778/j.issn. 1002-8331.1803-0132 计 w 李同欢，唐雁，刘冰.基于深度学习的多交互混合推荐模型. 计算机工程与应用，2019 ，55 （1）：135-141. w LI Tonghuan, TANG Yan, LIU Bing. Multi-interaction hybrid recommendation model based on deep learning. Computer w Engineering and Applications, 2019, 55（1）：135-141. Multi-interaction Hybrid Recommendation Model Based on Deep Learning 1 2 1，2 LI Tonghuan , TANG Yan , LIU Bing 1.School of Computer and Information Science, Southwest University, Chongqing 400715, China 2.Dazhou Vocational and Technical College, Dazhou, Sichuan 635001, China Abstract ：In the traditional recommendation systems, the approach of matrix factorization collaborative filtering only just considers the single information of rating, as a shallow model, it can hardly learn deeper feature information. This paper proposes a multi-interaction deep matrix factorization model based on auxiliary information, firstly through deep