个性化推荐是提取特定信息的有效手段之一,针对传统推荐法中缺少用户特征问题,提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型(hybrid recommendation model of generalized matrix factorization and deep lon...个性化推荐是提取特定信息的有效手段之一,针对传统推荐法中缺少用户特征问题,提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型(hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF)。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响,凸显用户个性化;利用长短期记忆(long short-term memory,LSTM)获取用户与项目间的时序特征,再通过多层感知机挖掘其深层次的时序非线性高阶交互关系;将广义矩阵分解(generalized matrix factorization,GMF)获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合,经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息,实现个性化动态精准推荐。为验证模型的有效性和可行性,在公开数据集MovieLens-1M上进行测试。仿真实验表明,当HMF的潜在特征向量维度为50、MLP层数为7时,HR@10和NDCG@10分别为0.9831、0.9749,相比传统单特征模型NCF最优解分别提高了27.61%、54.29%。展开更多
变分自编码器(variational autoencoder, VAE)近年来在推荐领域有着很成功的应用.这种非线性概率模型的优势在于它可以突破线性模型有限的建模能力,而线性模型目前仍然在协同过滤研究中占主导地位.尽管基于变分自编码器的推荐方法已经...变分自编码器(variational autoencoder, VAE)近年来在推荐领域有着很成功的应用.这种非线性概率模型的优势在于它可以突破线性模型有限的建模能力,而线性模型目前仍然在协同过滤研究中占主导地位.尽管基于变分自编码器的推荐方法已经取得了优越的表现,但仍存在一些未解决的问题,例如无法针对隐式反馈的推荐数据为用户生成个性化的推荐排序列表.因此,通过借助多项式似然对变分自编码器实施基于列表的排序策略,提出了一种深度生成推荐模型.该模型具有同时生成点级隐式反馈数据并为每个用户创建列表式偏好排序的能力.为了将排序损失与变分自编码器损失结合起来,采取归一化累计损失增益(normalized cumulative loss gain, NDCG)作为排名损失,并通过平滑函数进行近似.在3个真实世界数据集上(MovieLens-100k,XuetangX和Jester)进行了实验.实验结果表明:结合了列表级排序的变分自编码器在推荐个性化列表所有评价指标上,相比于其他基线模型拥有更出色的表现.展开更多
文摘个性化推荐是提取特定信息的有效手段之一,针对传统推荐法中缺少用户特征问题,提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型(hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF)。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响,凸显用户个性化;利用长短期记忆(long short-term memory,LSTM)获取用户与项目间的时序特征,再通过多层感知机挖掘其深层次的时序非线性高阶交互关系;将广义矩阵分解(generalized matrix factorization,GMF)获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合,经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息,实现个性化动态精准推荐。为验证模型的有效性和可行性,在公开数据集MovieLens-1M上进行测试。仿真实验表明,当HMF的潜在特征向量维度为50、MLP层数为7时,HR@10和NDCG@10分别为0.9831、0.9749,相比传统单特征模型NCF最优解分别提高了27.61%、54.29%。
文摘变分自编码器(variational autoencoder, VAE)近年来在推荐领域有着很成功的应用.这种非线性概率模型的优势在于它可以突破线性模型有限的建模能力,而线性模型目前仍然在协同过滤研究中占主导地位.尽管基于变分自编码器的推荐方法已经取得了优越的表现,但仍存在一些未解决的问题,例如无法针对隐式反馈的推荐数据为用户生成个性化的推荐排序列表.因此,通过借助多项式似然对变分自编码器实施基于列表的排序策略,提出了一种深度生成推荐模型.该模型具有同时生成点级隐式反馈数据并为每个用户创建列表式偏好排序的能力.为了将排序损失与变分自编码器损失结合起来,采取归一化累计损失增益(normalized cumulative loss gain, NDCG)作为排名损失,并通过平滑函数进行近似.在3个真实世界数据集上(MovieLens-100k,XuetangX和Jester)进行了实验.实验结果表明:结合了列表级排序的变分自编码器在推荐个性化列表所有评价指标上,相比于其他基线模型拥有更出色的表现.
