【摘要】：近年來(lái)基于矩陣分解的協(xié)同過(guò)濾算法在評(píng)分預(yù)測(cè)上取得了顯著成果,但仍未能很好地解決冷啟動(dòng)、數(shù)據(jù)稀疏等問(wèn)題。因此,如何將評(píng)論信息引入推薦系統(tǒng)以緩解上述問(wèn)題成為研究的熱點(diǎn)之一。該文嘗試基于深度學(xué)習(xí)來(lái)加強(qiáng)個(gè)性化推薦,提出將層疊降噪自動(dòng)編碼器(stacked denoising auto-encoder,SDAE)與隱含因子模型(latent factor model,LFM)相結(jié)合的混合推薦方法,綜合考慮評(píng)論文本與評(píng)分,以提升推薦模型對(duì)潛在評(píng)分預(yù)測(cè)的準(zhǔn)確性。在常用大規(guī)模公開(kāi)Amazon數(shù)據(jù)集上進(jìn)行的測(cè)試結(jié)果表明:與傳統(tǒng)推薦模型相比,該文提出的方法可有效提高評(píng)分預(yù)測(cè)的準(zhǔn)確性,性能提升最高可達(dá)64.43%。
[Abstract]:In recent years, the collaborative filtering algorithm based on matrix decomposition has achieved remarkable results in score prediction, but it still can not solve the problems of cold start and sparse data. Therefore, how to introduce the review information into the recommendation system to alleviate the above problems has become one of the hot topics. This paper attempts to enhance personalized recommendation based on depth learning, and proposes a hybrid recommendation method which combines cascading noise reduction automatic encoder (stacked denoising auto-encoder,SDAE) with hidden factor model (latent factor model,LFM), and considers both comment text and rating. To improve the accuracy of recommendation models for potential score prediction. The test results on the commonly used large-scale open Amazon datasets show that compared with the traditional recommendation model, the proposed method can effectively improve the accuracy of score prediction, and the maximum performance improvement can be up to 64.43.
【作者單位】： 清華大學(xué)計(jì)算機(jī)系清華信息科學(xué)與技術(shù)國(guó)家實(shí)驗(yàn)室(籌)智能技術(shù)與系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61672311,61532011)
【分類(lèi)號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐義峰;陳春明;徐云青;;一種基于分類(lèi)的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2007年01期

2 楊風(fēng)召;;一種基于特征表的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)工程與應(yīng)用;2007年06期

3 王嵐;翟正軍;;基于時(shí)間加權(quán)的協(xié)同過(guò)濾算法[J];計(jì)算機(jī)應(yīng)用;2007年09期

4 曾子明;張李義;;基于多屬性決策和協(xié)同過(guò)濾的智能導(dǎo)購(gòu)系統(tǒng)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2008年02期

5 張富國(guó);;用戶(hù)多興趣下基于信任的協(xié)同過(guò)濾算法研究[J];小型微型計(jì)算機(jī)系統(tǒng);2008年08期

6 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶(hù)評(píng)分矩陣的協(xié)同過(guò)濾算法[J];西安電子科技大學(xué)學(xué)報(bào);2009年04期

7 廖新考;;基于用戶(hù)特征和項(xiàng)目屬性的混合協(xié)同過(guò)濾推薦[J];福建電腦;2010年07期

8 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶(hù)多興趣的協(xié)同過(guò)濾策略改進(jìn)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過(guò)濾算法[J];微計(jì)算機(jī)信息;2011年11期

10 宋緯華;田元;;基于蟻群算法的協(xié)同過(guò)濾推薦技術(shù)[J];農(nóng)業(yè)圖書(shū)情報(bào)學(xué)刊;2013年08期

相關(guān)會(huì)議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類(lèi)的協(xié)同過(guò)濾算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過(guò)濾推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過(guò)濾算法研究[A];全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場(chǎng)景的協(xié)同過(guò)濾推薦算法[A];中國(guó)系統(tǒng)仿真學(xué)會(huì)第五次全國(guó)會(huì)員代表大會(huì)暨2006年全國(guó)學(xué)術(shù)年會(huì)論文集[C];2006年

5 李建國(guó);姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過(guò)濾推薦算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類(lèi)迭代的協(xié)同過(guò)濾推薦算法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測(cè)量學(xué)的協(xié)同過(guò)濾相似度方法(英文)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類(lèi)的協(xié)同過(guò)濾推薦算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類(lèi)別的推薦——一種解決協(xié)同推薦中冷啟動(dòng)問(wèn)題的方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過(guò)濾推薦算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前7條

1 紀(jì)科;融合上下文信息的混合協(xié)同過(guò)濾推薦算法研究[D];北京交通大學(xué);2016年

2 程殿虎;基于協(xié)同過(guò)濾的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國(guó)海洋大學(xué);2015年

3 于程遠(yuǎn);基于QoS的Web服務(wù)推薦技術(shù)研究[D];上海交通大學(xué);2015年

4 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過(guò)濾瓶頸問(wèn)題研究[D];合肥工業(yè)大學(xué);2009年

5 孔維梁;協(xié)同過(guò)濾推薦系統(tǒng)關(guān)鍵問(wèn)題研究[D];華中師范大學(xué);2013年

6 夏培勇;個(gè)性化推薦技術(shù)中的協(xié)同過(guò)濾算法研究[D];中國(guó)海洋大學(xué);2011年

7 趙向宇;Top-N協(xié)同過(guò)濾推薦技術(shù)研究[D];北京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 鄒騰飛;基于多特征融合的混合協(xié)同過(guò)濾算法研究[D];西南大學(xué);2015年

2 于鈺雯;基于項(xiàng)目凝聚層次聚類(lèi)的協(xié)同過(guò)濾推薦算法研究[D];遼寧大學(xué);2015年

3 杜文剛;基于多屬性評(píng)分的協(xié)同過(guò)濾推薦算法研究[D];遼寧大學(xué);2015年

4 高慧敏;融合占有度的時(shí)間遺忘協(xié)同過(guò)濾混合推薦算法研究[D];燕山大學(xué);2015年

5 蘇靖涵;面向SaaS多租戶(hù)的動(dòng)態(tài)推薦方法研究[D];遼寧大學(xué);2015年

6 徐曉妮;基于人工魚(yú)群算法的協(xié)同過(guò)濾推薦算法研究[D];遼寧大學(xué);2015年

7 羅培;移動(dòng)購(gòu)物導(dǎo)購(gòu)關(guān)鍵技術(shù)的研究與系統(tǒng)實(shí)現(xiàn)[D];西南交通大學(xué);2015年

8 李婧;融合用戶(hù)差異度及信息熵的協(xié)同過(guò)濾推薦算法[D];西安建筑科技大學(xué);2015年

9 樂(lè)柱;基于誤差反饋的協(xié)同過(guò)濾算法[D];華南理工大學(xué);2015年

10 馬兆才;基于協(xié)同過(guò)濾的推薦系統(tǒng)算法研究與實(shí)現(xiàn)[D];蘭州大學(xué);2015年

，

本文編號(hào)：2285400