未来智讯 > 神经网络论文 > 基于融合卷积神经网络的协同过滤模型

基于融合卷积神经网络的协同过滤模型

发布时间:2019-04-26 04:14:25 文章来源:未来智讯    
网络用于提取用户项评论中的隐含特征,然后基于矩阵分解预测评级。 在本文中,CFiCNN在四个实际数据集上进行评估,并与三种常用模型进行比较。 实验结果表明,CFiCNN可以很好地提取用户和商品的隐含特征,并进行更准确的评级预测。 关键词:推荐系统; 评级预测; 卷积神经网络; 协同过滤; 矩阵分解0引言/>随着互联网技术的快速发展,每天都有大量的文字,图片,视频和其他数据上传到互联网[1],分析用户反馈信息和项目描述信息,探索隐藏的功能 对于用户而言,非常需要个性化建议。 传统推荐算法主要有两类:一类是基于内容的推荐算法,另一类是基于协同过滤的推荐算法[2-4]。 基于内容的算法批评用户或项目的元数据,即用户的个人信息和项目的内容信息,并发现用户或项目之间的相关性,并且相应地发生推荐。 基于协同过滤方法,用户的数据更受欢迎,例如购买历史,评分等[5]。 在实际应用中,算法总能获得更准确的推荐。 然而,基于协同过滤的推荐算法存在稀疏性问题,难以提取数据特征[6]。 因此,如何缓解稀疏性问题是推荐系统中的热门话题。 近年来,深入培训在图像识别,文本处理和自然语音处理等数据深度特征和隐含特征的探索中取得了必然的进展。 使用卷积神经网络(CNN)。 特别提出[7-8]。 卷积神经网络是一种具有特殊网络布局的前馈神经网络更类似于生物神经网络,它是一种可以很好地提取数据的深层隐藏特征[9]。 本文提出的协同过滤集成卷积神经网络(CFiCNN)基于卷积神经网络理论,提取用户和项目数据的深层隐藏特征,并将其集成到传统的协同过滤算法中。 最后,试着证明有更好的效率。
1关于讨论1.1传统推荐算法传统推荐算法主要包括基于内容的算法和基于协同过滤的算法。 基于内容的推荐算法源自负面兴趣搜索[10-11],如果“用户将喜欢与他喜欢的项目类似的项目”,则焦点基于用户和项目内容信息,例如用户性别, 有趣的偏好,项目的描述等,以探索其相关性,然后向用户喜欢的项目推荐类似的项目。 受特征信息提取的限制,基于内容的推荐方法效率不是妄想。 基于协同过滤的推荐算法是当今世界中最常用的算法。 认为应用协同过滤的第一个系统是Grundy书籍推荐系统[12]。 1992年,David Goldberg [13]首次在论文中提出了“f型过滤”这个词,并将协同过滤应用于他设计的Tapestry邮件处理系统。 基于协同过滤,推荐算法凭证得分和其他历史数据,探索用户或项目之间的相似性,并在此基础上,查看得分以形成推荐。 基于协同过滤的推荐算法可分为三种类型:基于用户的协同过滤,基于项目的协同过滤和基于模型的协同过滤。 基于用户的协同过滤是最早的协同过滤算法之一。 它是基于邻居的比较,使用不同的相似性对象,如Pearson相关系数,余弦相似度等方法,来寻求用户之间的相似性,并据此推荐[14]。 基于项目的协同过滤和基于用户的协同过滤近似,但它在项目之间具有战略相似性。 基于模型的协同过滤算法通常使用矩阵分解(MF)来提取隐含信息,包括Lee等人。 [15] 2001年提出非负矩阵分解(NMF),Salankhutdinov等。 [16] 2008年最大边际矩阵分解(MMMF)和概率矩阵Fa以及Rennie等人。 [17]于2005年提出。Ctorization,PMF)。 基于协同过滤的推荐算法比发现用户的新喜好更长,能够推荐新信息,并且随着用户数量的增加,其推荐本能不会急剧下降。 然而,由于协同过滤算法基于数据形成推荐,因此算法中仍存在“冷启动”和“稀疏”的问题。 1.2卷积神经网络卷积神经网络(CNN)由LeCun等人鉴定。 [7]在20世纪90年代,是一个深度学习的前馈神经网络。 它的重量分配和部分相干性使其更类似于生物神经网络。 卷积神经网络使用反向传播(BP)训练模型从原始输入数据中提取更深的隐藏信息。 其基本网络层包含:输入层,卷积层,池化层,以及完整的相干层和输出层。 其中,卷积层是网络布局的重点,用于卷积输入信号并学习根深蒂固的特征; 池化层降低了数据维度,减少了参数数量,并在网络中保持了更严重的特征; 相干层的作用是将训练的隐藏特征映射到样本空间,并将其发送到输出层以获得自然输出。 卷积神经网络在图像识别和文本处理方面取得了许多突破。 目前,基于卷积神经网络的图像识别已经能够达到99.47%的正确率[18]。 近年来,许多从业者已将神经网络应用于推荐系统。 2009年,王宁[19]实现了基于BP神经网络设计的即时在线电子商务推荐系统。 该系统基于BP神经网络。 用户的购物乐趣被分类,然后由产品推荐局判断乐趣。 2013年,Dieleman等人。 [20]提出了一种基于卷积神经网络的音乐推荐模型。 该模型选择深度卷积神经网络来提取歌曲音频的特征,然后选择WMF(加权矩阵分解)模型对前景进行评分,从而形成推荐。 虽然这些方法可以根据用户和文章的描述信息追踪隐藏的功能,但是用户和文章的评论分数以及其他深层次的数据特征都不足以探索,推荐效率仍然不是妄想。 针对从稀疏数据中提取隐式特征提升推荐效率的问题,提出一种基于卷积神经网络的协同过滤模型:CFiCNN模型,将卷积神经网络融入深度训练中。 在传统的协同过滤模型中,基于卷积神经网络学习用户的隐藏特征和文章评论,确定协同过滤的矩阵区分模型,并预测用户在项目上的得分。 在此基础上,建议并进行比较。 良好的推荐效率。 2协同过滤Ne learning,2005:713-719。 [18] SPECHT D F.概率神经网络[J]。 神经网络,1990,3(1):109-118。 [19]王宁一种基于BP神经网络的即时在线推荐系统[J]。 战略与发展,2009,19(7):230-233。 [20] VAN DEN OORD A,DIELEMAN S,SCHRAUWEN B基于内容的深层音乐推荐[C]。 神经信息处理系统的进展,2013:2643-2651。 [21] KARLIK B,OLGAC A V.神经网络广义MLP结构中各种激活函数的性能分析[J]。 国际人工智能与专家系统期刊,2011(4):111-122。 (责任:何力)
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/80355/
 与本篇相关的热门内容: