《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于深度網(wǎng)絡(luò)的推薦系統(tǒng)偏置項(xiàng)改良研究
基于深度網(wǎng)絡(luò)的推薦系統(tǒng)偏置項(xiàng)改良研究
信息技術(shù)與網(wǎng)絡(luò)安全
張?zhí)煳?/div>
(山東省計(jì)算中心(國(guó)家超級(jí)計(jì)算濟(jì)南中心),山東 濟(jì)南250014)
摘要: 傳統(tǒng)的矩陣分解算法為用戶(hù)和項(xiàng)目分別獨(dú)立設(shè)置了偏置項(xiàng),而沒(méi)有深入挖掘特定用戶(hù)對(duì)于特定項(xiàng)目的隱性偏好;同時(shí),傳統(tǒng)的排序預(yù)測(cè)推薦算法將用戶(hù)所有打分過(guò)的項(xiàng)目都統(tǒng)一地設(shè)置為該用戶(hù)的正例項(xiàng)目(無(wú)論用戶(hù)給出了好評(píng)還是差評(píng)),這導(dǎo)致訓(xùn)練完成的系統(tǒng)在實(shí)際應(yīng)用中很可能會(huì)為用戶(hù)繼續(xù)推薦其厭惡的項(xiàng)目。因此提出了一種基于深度網(wǎng)絡(luò)的推薦系統(tǒng)偏置項(xiàng)改良方案,該改良方案考慮了用戶(hù)為特定項(xiàng)目所作的評(píng)分背后所蘊(yùn)含的好惡態(tài)度,并學(xué)習(xí)出一個(gè)用戶(hù)-項(xiàng)目聯(lián)合偏置項(xiàng)加入到推薦過(guò)程中以提升推薦性能。在三個(gè)公開(kāi)數(shù)據(jù)集上進(jìn)行的對(duì)比實(shí)驗(yàn)結(jié)果表明,該改良方案可以有效地提升推薦的性能表現(xiàn)。
中圖分類(lèi)號(hào): TP391
文獻(xiàn)標(biāo)識(shí)碼: A
DOI: 10.19358/j.issn.2096-5133.2021.08.007
引用格式: 張?zhí)煳? 基于深度網(wǎng)絡(luò)的推薦系統(tǒng)偏置項(xiàng)改良研究[J].信息技術(shù)與網(wǎng)絡(luò)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(lián)網(wǎng)的迅猛發(fā)展,用戶(hù)想要從海量的信息中獲取自己真正感興趣的內(nèi)容已經(jīng)變成了一件頗有挑戰(zhàn)性的工作。解決這種“信息過(guò)載”問(wèn)題的常用技術(shù)之一就是推薦系統(tǒng)[1-2]。推薦系統(tǒng)往往利用用戶(hù)對(duì)于項(xiàng)目的歷史交互數(shù)據(jù)信息(如評(píng)分、評(píng)論、歷史購(gòu)買(mǎi)記錄等)[3]建立模型來(lái)挖掘用戶(hù)與項(xiàng)目之間的隱性關(guān)聯(lián)[4-5],從而得以為用戶(hù)推薦與其喜好的歷史交互項(xiàng)目高度相似的新項(xiàng)目,幫助用戶(hù)篩選出其需要的信息[6-7]。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://www.rjjo.cn/resource/share/2000003723





作者信息:

張?zhí)煳?/p>

(山東省計(jì)算中心(國(guó)家超級(jí)計(jì)算濟(jì)南中心),山東 濟(jì)南250014)


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。
主站蜘蛛池模板: 美女黄色免费看 | 精品国产自 | 毛片视频在线免费观看 | 亚洲精品综合久久中文字幕 | 国产成人精品日本亚洲语音2 | 欧美性毛片大片 | 成人做爰视频www | 久久在线视频播放 | 免费人成黄页在线观看视频国产 | 亚洲精品一级一区二区三区 | 精品国产成人综合久久小说 | 最新最好看免费毛片基地 | 91青青国产在线观看免费 | 老司机亚洲精品影院 | 欧美精品99 | 久草久草视频 | 欧美大片欧美毛片大片 | 亚洲 欧美 日韩 在线 中文字幕 | 一道精品视频一区二区三区图片 | 久久精品视频16 | 日韩精品一区二区三区乱码 | 一级aaa级毛片午夜在线播放 | 久久精品国产亚洲 | 亚洲精品欧洲一区二区三区 | 亚洲欧美国产一区二区三区 | 国产免费一级高清淫曰本片 | 成人黄页网站 | 看一级特黄a大片日本片 | 国产精品久久久久久一区二区 | 精品国语_高清国语自产 | 国产欧美一级片 | 亚洲国产精品久久日 | 亚洲激情欧美 | 欧美视频第一页 | 成人的天堂 | 在线观看亚洲精品专区 | 日韩视频一区二区 | 12至16末成年毛片视频 | 成人国产精品一级毛片视频 | 欧美三级做爰在线 | 国产手机在线视频 |