• <samp id="wcmmc"></samp><blockquote id="wcmmc"><samp id="wcmmc"></samp></blockquote>
  • 《電子技術應用》
    您所在的位置:首頁 > 其他 > 設計應用 > 基于深度網絡的推薦系統偏置項改良研究
    基于深度網絡的推薦系統偏置項改良研究
    信息技術與網絡安全
    張天蔚
    (山東省計算中心(國家超級計算濟南中心),山東 濟南250014)
    摘要: 傳統的矩陣分解算法為用戶和項目分別獨立設置了偏置項,而沒有深入挖掘特定用戶對于特定項目的隱性偏好;同時,傳統的排序預測推薦算法將用戶所有打分過的項目都統一地設置為該用戶的正例項目(無論用戶給出了好評還是差評),這導致訓練完成的系統在實際應用中很可能會為用戶繼續推薦其厭惡的項目。因此提出了一種基于深度網絡的推薦系統偏置項改良方案,該改良方案考慮了用戶為特定項目所作的評分背后所蘊含的好惡態度,并學習出一個用戶-項目聯合偏置項加入到推薦過程中以提升推薦性能。在三個公開數據集上進行的對比實驗結果表明,該改良方案可以有效地提升推薦的性能表現。
    中圖分類號: TP391
    文獻標識碼: A
    DOI: 10.19358/j.issn.2096-5133.2021.08.007
    引用格式: 張天蔚. 基于深度網絡的推薦系統偏置項改良研究[J].信息技術與網絡安全,2021,40(8):42-46.
    Research on improvement of bias in recommendation system based on deep neural network
    Zhang Tianwei
    (Shandong Computer Science Center(National Super Computer Center in Jinan),Jinan 250014,China)
    Abstract: Traditional matrix factorization algorithm sets bias for users and items independently, without digging into the latent preferences of specific users for specific items. As in traditional ranking prediction recommendation algorithm, all the rated items of a user are uniformly set as the user′s positive items(regardless of whether the user gives a good or a bad review). As a result, the trained system is likely to continue to recommend projects that users hate in practical applications. Therefore, an improved bias improvement scheme of recommendation system based on deep neural network is proposed, which takes into account the liking and disliking behind the ratings made by users for specific items, and a joint bias is learned for the recommendation process. The results of comparative experiments on three open datasets show that the improved scheme can effectively improve the recommended performance.
    Key words : recommendation algorithm;collaborative filtering;deep neural network;implicit feedback


    0 引言

    隨著互聯網的迅猛發展,用戶想要從海量的信息中獲取自己真正感興趣的內容已經變成了一件頗有挑戰性的工作。解決這種“信息過載”問題的常用技術之一就是推薦系統[1-2]。推薦系統往往利用用戶對于項目的歷史交互數據信息(如評分、評論、歷史購買記錄等)[3]建立模型來挖掘用戶與項目之間的隱性關聯[4-5],從而得以為用戶推薦與其喜好的歷史交互項目高度相似的新項目,幫助用戶篩選出其需要的信息[6-7]。




    本文詳細內容請下載:http://www.lifeadjustmentscoaching.com/resource/share/2000003723




    作者信息:

    張天蔚

    (山東省計算中心(國家超級計算濟南中心),山東 濟南250014)


    此內容為AET網站原創,未經授權禁止轉載。
    岛国AV无码免费无禁播放器