融合文本信息的多模态深度自编码器推荐模型

摘要：

针对以评分信息做辅助推荐时数据稀疏和深层次语义信息无法学习的问题,提出了一种新的推荐模型.以隐式反馈评分矩阵作为深度自编码器的原始输入,通过编码解码操作,实现评分信息的特征学习;用户电影类型矩阵为模型嵌入层的输入,经过平坦层和全连接层的操作,实现类型文本信息的特征学习;同时,使用BERT+BiLSTM结构对电影标题文本进行上下文信息的特征提取和特征学习.3种特征融合后,通过自编码器的处理得到预测评分.以Movielens 1M和Mov-ielens 100k为数据集,平均绝对误差和均方误差为评价指标,SVD、PMF、PMMMF、SCC、RMbDn、Hern为对比模型.结果 表明:本文模型在MAE上分别降低到0.0458和0.0460,在MSE上分别降低到0.0273和0.0390,优于对比算法,新的推荐模型性能提升效果较好.

关键词：推荐算法;BERT;BiLSTM;深度自编码器;文本信息

所属期刊栏目：35

分类号：TP391(计算技术、计算机技术)

资助基金：陕西省教育厅科研计划项目;河南省电子商务大数据处理与分析重点实验室开放课题资助项目

在线出版日期：2021-12-16（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：100-106