【摘要】：基于降噪自編碼器的推薦方法缺乏對(duì)項(xiàng)目共現(xiàn)關(guān)系的分析能力,且模型存在參數(shù)冷啟動(dòng)問(wèn)題。為此,基于降噪自編碼器網(wǎng)絡(luò)與詞向量,提出一種信息推薦方法。將用戶看作文檔,將用戶評(píng)價(jià)過(guò)的項(xiàng)目看作詞語(yǔ),以此構(gòu)建訓(xùn)練語(yǔ)料。利用詞向量模型對(duì)語(yǔ)料進(jìn)行訓(xùn)練,得到隱含上下文信息的項(xiàng)目向量。將所有項(xiàng)目向量作為初始權(quán)重構(gòu)建降噪自編碼器神經(jīng)網(wǎng)絡(luò),訓(xùn)練得到模型參數(shù)。通過(guò)模型預(yù)測(cè)用戶評(píng)分完成top-N推薦。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該方法能提高推薦準(zhǔn)確率,訓(xùn)練速度優(yōu)于降噪自編碼、奇異值矩陣分解和協(xié)同過(guò)濾推薦方法。
[Abstract]:The recommendation method based on de-noising self-encoder lacks the ability to analyze the co-occurrence relationship of items, and the model has the problem of cold start of parameters. This paper presents an information recommendation method based on noise reduction self-encoder network and word vector. The user is regarded as the document and the project evaluated by the user as a word to construct the training corpus. The term vector model is used to train the corpus to obtain the item vector of implicit context information. Using all item vectors as initial weights, the noise reduction self-encoder neural network is constructed, and the model parameters are obtained by training. The top-N recommendation is completed by predicting the user's score. The experimental results on standard data sets show that the proposed method can improve the accuracy of recommendation, and the training speed is better than that of self-coding, singular value matrix decomposition and collaborative filtering.
【作者單位】： 解放軍信息工程大學(xué)信息系統(tǒng)工程學(xué)院;解放軍外國(guó)語(yǔ)學(xué)院;
【基金】：國(guó)家社會(huì)科學(xué)基金“網(wǎng)上輿論斗爭(zhēng)系統(tǒng)建模與應(yīng)對(duì)策略研究”(14BXW028)
【分類(lèi)號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前5條

1 鄒剛;姚偉;孫即祥;陳森林;;一種基于稀疏協(xié)同原型向量重構(gòu)的鼻咽癌病理細(xì)胞協(xié)同分類(lèi)方法[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2011年01期

2 張文生,丁輝,王玨;基于鄰域原理計(jì)算海量數(shù)據(jù)支持向量的研究[J];軟件學(xué)報(bào);2001年05期

3 藺旭東;曾曉寧;薄靜儀;;一種基于支持向量的鏡頭聚類(lèi)算法[J];計(jì)算機(jī)應(yīng)用;2007年09期

4 喬香珍;;高效使用C-1向量機(jī)的有關(guān)問(wèn)題[J];計(jì)算機(jī)研究與發(fā)展;1987年05期

5 王寧,盛昭瀚;基于小波向量和AR模型的軸心軌跡識(shí)別[J];信號(hào)處理;1999年02期

相關(guān)博士學(xué)位論文 前1條

1 王鑫;基于表示學(xué)習(xí)的情感分析關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前9條

1 吳兵兵;基于詞向量和LSTM的漢語(yǔ)零指代消解研究[D];哈爾濱工業(yè)大學(xué);2016年

2 丁卜建;基于情感詞典拓展和詞向量的中文情感分析技術(shù)的研究[D];遼寧大學(xué);2016年

3 李欣雨;基于多向量的中文新聞話題檢測(cè)[D];河北大學(xué);2016年

4 宋潤(rùn)青;基于詞向量和文本特征的事件提取[D];西安電子科技大學(xué);2015年

5 鐘毅偉;基于相關(guān)向量機(jī)的太赫茲頻譜特征提取及識(shí)別研究[D];昆明理工大學(xué);2016年

6 武海瑛;基于詞向量概率模型的聯(lián)合話題情感分析研究[D];深圳大學(xué);2017年

7 王建翔;面向可讀性評(píng)估的詞向量技術(shù)研究及實(shí)現(xiàn)[D];南京大學(xué);2017年

8 郭宏運(yùn);基于詞向量和主題向量的文本分類(lèi)算法研究[D];華中科技大學(xué);2016年

9 楊東強(qiáng);情感增強(qiáng)詞向量構(gòu)建方法及應(yīng)用[D];華東師范大學(xué);2015年

，

本文編號(hào)：2351546