基于一维卷积混合神经网络的用户兴趣分类

摘要：

个性化推荐系统的关键是挖掘用户的情感偏好,而网络中大量的用户浏览行为记录为此提供了线索.传统描述兴趣度采用的方法是选择典型的浏览行为构造多元线性回归模型,然而浏览行为之间相互联系,容易导致共线性问题.为了提高挖掘用户兴趣的准确度,引入卷积神经网络(CNN)和胶囊网络(CapsNet),提出一种混合神经网络预测模型.首先,在卷积神经网络中对多种浏览行为使用一维卷积和最大池化操作提取局部特征;其次,在胶囊网络中将卷积网络输出的特征向量作为胶囊层的输入,使用动态路由算法对行为特征进行整体特征提取;最后,使用softmax分类器进行兴趣预测分类.实验结果表明,该模型在训练集的准确率高达95.8％,同时在测试集上的准确率都优于CNN和CapsNet,且该模型在训练过程中交叉熵损失明显低于CNN和CapsNet.采用该方法可以利用多种浏览行为准确挖掘用户的兴趣,提高了推荐系统的服务质量.

关键词：用户兴趣分类、混合神经网络、推荐系统、预测模型、特征提取、池化操作

所属期刊栏目：45

分类号：TN711-34;TP393(基本电子电路)

资助基金：国家自然科学基金;河北省物联网数据采集与处理工程技术研究中心开放课题;教育部-中国移动科研基金;江苏省博士后科研资助计划项目

在线出版日期：2022-04-18（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：58-64