針對網(wǎng)絡(luò)課程推薦中數(shù)據(jù)稀疏和推薦效果不佳的問題,將深度學(xué)習(xí)引入課程推薦,提出基于輔助信息的神經(jīng)網(wǎng)絡(luò)模型（IUNeu）.該模型在已有神經(jīng)矩陣分解模型（NeuMF）的基礎(chǔ)上,結(jié)合用戶信息和課程信息,并考慮它們之間的相互作用關(guān)系,以提升模型表示用戶和課程的準(zhǔn)確性.爬取慕課網(wǎng)（MOOC）上的學(xué)習(xí)數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明,隨著向量長度和推薦課程數(shù)的增加,IUNeu模型的性能增長速度較NeuMF模型更快;不同的消極采樣量對2個(gè)模型的影響較大,模型性能隨著消極采樣量的增加而增加,當(dāng)采樣量達(dá)到一定值時(shí),變化趨于穩(wěn)定;IUNeu模型比NeuMF模型具有更高的收斂速度.在IUNeu模型中加入更多課程特征信息,可以進(jìn)一步提高IUNeu模型的推薦質(zhì)量. 

【文章來源】：浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2019,53(11)北大核心EICSCD

【文章頁數(shù)】：8 頁


本文編號：3610026