协同深度学习推荐算法研究

协同深度学习推荐算法研究①

冯楚滢, 司徒国强, 倪玮隆

(兰州交通大学电子与信息工程学院, 兰州 730070)

通讯作者: 冯楚滢, E-mail: f_chuy@https://www.sodocs.net/doc/379358551.html,

摘 要: 针对当用户评分较少时, 推荐系统由于数据稀疏推荐性能显著降低这一问题, 介绍了协同深度学习算法(Collaborative In Deep Learning, CIDL). 本算法首先对大量数据进行深度学习, 然后对数据文本进行挖掘提取词汇表, 最后对评级(反馈)矩阵进行协同过滤, 从而得出对用户的推荐项目. 本文使用真实的电影数据进行实验, 与另外四种优秀算法进行对比, 证明该算法可以真实有效得解决由于数据稀疏使得性能降低的问题, 并提高推荐的准确度.关键词: 深度学习; 推荐系统; 协同过滤; 文本挖掘; 堆叠降噪自编码器

引用格式: 冯楚滢,司徒国强,倪玮隆.协同深度学习推荐算法研究.计算机系统应用,2019,28(1):169–175. https://www.sodocs.net/doc/379358551.html,/1003-3254/6742.html

Research on Collaborative Deep Learning Recommendation Algorithm

FENG Chu-Ying, SITU Guo-Qiang, NI Wei-Long

(School of Electronic and Information Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

Abstract: For the problem that when the user score is not enough, the recommender system significantly reduces the data sparse recommendation performance, a Collaborative In Deep Learning algorithm (CIDL) is proposed. The algorithm firstly conducts the deep learning on a large amount of data, and then performs collaborative filtering on the rating (feedback) matrix to arrive at a recommendation item for the user. This study uses real movie data to test and to compare it with the other four excellent algorithms. It is proved that CIDL can effectively solve the problem of reduced performance due to data sparseness and improve the accuracy of the recommendation.

Key words: recommender systems; deep learning; collaborative filtering; text mining; stacked denoising autoencoders

协同过滤(Collaborative Filtering)是许多推荐系统常用的方法[1]. 传统的基于协同过滤的方法使用用户给出的项目评分作为学习推荐的唯一信息来源. 但是, 许多应用程序的评分通常较少, 导致基于协同过滤的方法的推荐性能显着降低. 为了解决这个稀疏性问题, 本文利用诸如项目内容信息的辅助信息一同作为信息来源提出了称为协同深度学习(Collaborative In Deep Learning, CIDL)的算法, 该算法分别执行用于内容信息的深度表示学习以及用于评价(反馈)矩阵的协同过滤.

本文将协同深度学习算法应用于电影推荐系统,对大量的电影评分进行建模, 分析观影用户对电影的偏好随着时间的推移而变化的情况, 从而对客户进行个性化电影推荐[2]. 本文的创新点主要在于: (1) 与以往使用分类[3]和重构[4]等简单目标的深度学习模型不同,本文在概率框架中使用协同过滤作为更复杂的目标. (2)除了获得最大后验概率(Maximum A Posteriori, MAP)估计的算法外, 本文还推导了一种基于采样的CIDL 贝叶斯处理算法, 该算法是一种贝叶斯推广的反向传播算法. (3) 协同深度学习是一个用于弥合现有深度学

计算机系统应用 ISSN 1003-3254, CODEN CSAOBN E-mail: csa@https://www.sodocs.net/doc/379358551.html, Computer Systems & Applications,2019,28(1):169?175 [doi: 10.15888/https://www.sodocs.net/doc/379358551.html,ki.csa.006742]https://www.sodocs.net/doc/379358551.html, ?中国科学院软件研究所版权所有.Tel: +86-10-62661041

①收稿时间: 2018-07-13; 修改时间: 2018-08-09; 采用时间: 2018-08-27; csa在线出版时间: 2018-12-26

Software Technique?Algorithm 软件技术?算法169万方数据