协同过滤推荐和基于内容的推荐是目前应用于推荐系统中的两种主流手段.传统的协同过滤模型存在着矩阵稀疏问题,基于内容的推荐又不能自动抽取深层特征,且两种推荐手段很难直接融合在一起,无法共同提升推荐系统的性能表现.充分利用了深...协同过滤推荐和基于内容的推荐是目前应用于推荐系统中的两种主流手段.传统的协同过滤模型存在着矩阵稀疏问题,基于内容的推荐又不能自动抽取深层特征,且两种推荐手段很难直接融合在一起,无法共同提升推荐系统的性能表现.充分利用了深度学习模型能够深度挖掘内容隐藏信息的特性,将栈式降噪自编码器(SDAE)运用于基于内容的推荐模型中,并将其与基于标签的协同过滤算法结合在一起,提出DLCF(Deep Learning for Collaborative Filtering)算法.经过真实数据集的验证,DLCF算法能够很大程度上克服矩阵稀疏问题,在性能上优于传统推荐算法.展开更多
基于自注意力网络和神经协同过滤模型(neural collaborative filtering,NCF)提出一种基于自注意力机制的组推荐系统模型SAGR(self-attention group recommendation),用于建模用户交互数据以及学习群组潜在偏好的表示。通过在用户级和项...基于自注意力网络和神经协同过滤模型(neural collaborative filtering,NCF)提出一种基于自注意力机制的组推荐系统模型SAGR(self-attention group recommendation),用于建模用户交互数据以及学习群组潜在偏好的表示。通过在用户级和项目级分别使用自注意力机制,动态调整组中每个用户的权重,解决偏好融合问题从而得到组表示。再通过多层神经网络框架NCF从数据中挖掘组和项目之间的交互,最终完成群组推荐。在CAMRa2011和MovieLens数据集上与同类方法进行对比,实验结果表明SAGR方法能够取得更好的组推荐结果。展开更多
推荐系统是解决信息过载问题的核心。现有的推荐框架研究面临着显式反馈数据稀疏和数据预处理难等问题,特别是对新用户和新项目进行推荐的性能有待进一步提高。随着深度学习的推进,基于深度学习的推荐成为了当前的研究热点,大量的实验...推荐系统是解决信息过载问题的核心。现有的推荐框架研究面临着显式反馈数据稀疏和数据预处理难等问题,特别是对新用户和新项目进行推荐的性能有待进一步提高。随着深度学习的推进,基于深度学习的推荐成为了当前的研究热点,大量的实验证明了深度学习运用于推荐系统的有效性。文中在NCF的基础上提出了EANCF(Neural Collaborative Filtering based on Enhanced-Attention Mechanism),从隐式反馈数据的角度研究了推荐框架,利用最大池化、局部推理以及组合多种不同数据融合方式来考虑数据特征提取;同时,引入注意力机制来为网络合理地分配权重值,减少信息的损失,提升推荐的性能。最后,基于两个大型真实数据集Movielens-1m和Pinterest-20对EANCF、NCF和部分经典算法做了对比实验,并且详细地给出了EANCF框架的训练过程。实验结果表明,EANCF框架确实具有较好的推荐性能,相比于NCF框架在HR@10和NDCG@10上均有显著提升,HR@10最高提升了3.53%,NDCG@10最高提升了2.47%。展开更多
文摘协同过滤推荐和基于内容的推荐是目前应用于推荐系统中的两种主流手段.传统的协同过滤模型存在着矩阵稀疏问题,基于内容的推荐又不能自动抽取深层特征,且两种推荐手段很难直接融合在一起,无法共同提升推荐系统的性能表现.充分利用了深度学习模型能够深度挖掘内容隐藏信息的特性,将栈式降噪自编码器(SDAE)运用于基于内容的推荐模型中,并将其与基于标签的协同过滤算法结合在一起,提出DLCF(Deep Learning for Collaborative Filtering)算法.经过真实数据集的验证,DLCF算法能够很大程度上克服矩阵稀疏问题,在性能上优于传统推荐算法.
文摘基于自注意力网络和神经协同过滤模型(neural collaborative filtering,NCF)提出一种基于自注意力机制的组推荐系统模型SAGR(self-attention group recommendation),用于建模用户交互数据以及学习群组潜在偏好的表示。通过在用户级和项目级分别使用自注意力机制,动态调整组中每个用户的权重,解决偏好融合问题从而得到组表示。再通过多层神经网络框架NCF从数据中挖掘组和项目之间的交互,最终完成群组推荐。在CAMRa2011和MovieLens数据集上与同类方法进行对比,实验结果表明SAGR方法能够取得更好的组推荐结果。
文摘推荐系统是解决信息过载问题的核心。现有的推荐框架研究面临着显式反馈数据稀疏和数据预处理难等问题,特别是对新用户和新项目进行推荐的性能有待进一步提高。随着深度学习的推进,基于深度学习的推荐成为了当前的研究热点,大量的实验证明了深度学习运用于推荐系统的有效性。文中在NCF的基础上提出了EANCF(Neural Collaborative Filtering based on Enhanced-Attention Mechanism),从隐式反馈数据的角度研究了推荐框架,利用最大池化、局部推理以及组合多种不同数据融合方式来考虑数据特征提取;同时,引入注意力机制来为网络合理地分配权重值,减少信息的损失,提升推荐的性能。最后,基于两个大型真实数据集Movielens-1m和Pinterest-20对EANCF、NCF和部分经典算法做了对比实验,并且详细地给出了EANCF框架的训练过程。实验结果表明,EANCF框架确实具有较好的推荐性能,相比于NCF框架在HR@10和NDCG@10上均有显著提升,HR@10最高提升了3.53%,NDCG@10最高提升了2.47%。
