超级会员免费看
本文提出了一种名为DAAI的混合推荐模型，结合降噪自编码器与属性信息来提升推荐效果。通过降噪自编码器从评分矩阵中提取非线性特征，并利用属性信息（如用户和项目的属性）进行特征表示，然后通过多层感知机融合多种特征进行评分预测。实验表明，DAAI模型在MovieLens数据集上相比传统推荐算法如SVD、PMF等表现出更好的预测性能，尤其是在数据稀疏的情况下。
摘要
【目的】 传统的协同过滤推荐模型无法提取到用户与项目之间复杂的交互关系,这对于最终的推荐结果会造成一定的不良影响。 【方法】 针对这一问题,本文提出了一种混合推荐模型DAAI（Denoising Autoencoder with Attribute Information）,采用降噪自编码器提取评分矩阵中的深层次非线性特征,在此基础上,使用DNN、CNN等方式提取属性信息中隐藏的特征,最后通过多层感知机融合多种特征得到最终的预测评分。 【结论】 将该模型在电影数据集MovieLens上进行实验,与奇异矩阵分解（SVD）、概率矩阵分解（PMF）、AutoRec等传统推荐算法进行比较,实验结果表明DAAI模型具有更好的推荐效果。 【局限】 神经网络结构较为复杂,所以本文的模型相较于传统的推荐模型训练时间有所增加。
关键词： 自编码器; 卷积神经网络; 深度学习; 推荐模型
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
