融合动态协同过滤和深度学习的推荐算法

摘要：

在信息爆炸的时代,推荐系统在减轻信息过载方面发挥了巨大的作用.目前,推荐系统普遍使用传统的协同过滤算法学习用户商品行为矩阵中的隐向量,但是其存在数据稀疏性和冷启动问题,同时未考虑用户的兴趣偏好以及商品的受欢迎程度会随时间发生改变,这极大地限制了推荐的准确性.已有学者利用深度学习模型学习辅助信息的特征来扩充协同过滤算法的特征,取得了一定的成果,但并未充分有效地解决全部问题.以电影推荐为研究对象,提出了融合动态协同过滤和深度学习的推荐算法.首先,利用动态协同过滤算法融入时间特征;然后,利用深度学习模型来学习用户和电影特征信息,以形成高维潜在空间的用户特征和电影特征的隐向量;最后,将其融入到动态协同过滤算法中.以MovieLens为实验数据集对电影的评分进行预测,实验结果表明所提算法提高了电影评分预测的准确性.

关键词：电影推荐、隐向量、深度学习、动态协同过滤

所属期刊栏目：46

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金61702334,61772200;上海市浦江人才资助计划17PJ1401900;上海市自然科学基金资助项目17ZR1406900,17ZR1429700;华东理工大学教育科研基金ZH1726108;上海应用技术学院资助合作创新基金会XTCX2016-20

在线出版日期：2019-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：28-34