为用户提供建议的平台。协同过滤算法是推荐系统中使用的主要算法之一。这种算法简单、高效;然而,数据的稀疏性和方法的可扩展性限制了这些算法的性能,并且很难进一步提高推荐结果的质量。因此,提出了一种将协同过滤推荐算法与深度学习技术相结合的模型,其中包括两部分。首先,该模型采用基于二次多项式回归模型的特征表示方法,通过改进传统的矩阵因子分解算法,更准确地获得潜在特征。这些潜在特征被认为是深层神经网络模型的输入数据。该模型的第二部分,用于预测评价分数。最后,通过与其他三个公共数据集的推荐算法进行比较,验证了我们的模型可以有效地提高推荐性能。
随着人工智能技术的发展,越来越多的智能产品正在被应用。日常生活,为各种各样的人提供方便。个性化推荐系统的智能推荐功能可以有效地为用户提供服务。从海量的互联网数据中获取有价值的
推荐算法是推荐系统中最重要的部分,直接决定推荐结果的质量和性能。的系统。常用的算法可以分为两大类:基于内容的[1]方法和协同过滤[2]-[4]方法。基于内容的方法通过对额外信息(如文档内容、用户配置文件和项目属性)的分析来构建用户和项目的肖像(描述),从而提出建议。在大多数情况下,用来构建肖像的信息很难获得甚至是伪造的;因此,它的性能而且应用范围受到很大的限制。协同过滤算法是推荐系统中应用最广泛的算法;它们是不同的从基于内容的方法中,他们不需要关于用户或项目的信息,他们只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效,随着互联网的快速发展,数据的稀疏性限制了算法的性能;因此,研究人员已经开始寻找其他方法来提高推荐性能。
近年来,深度神经网络(DNNs)在计算机视觉[5]、语音识别[6]、自然语言处理[7]等各个领域取得了巨大的成功。然而,对这些技术的推荐系统研究很少。一些研究人员
最近提出的基于深度学习的推荐模型,但大多数模型都使用了附加的特性,比如文本内容和音频信息,以提高它们的性能。鉴于上述信息可能难以获得大多数推荐系统,本文提出了一种基于DNNs的推荐模型,该模型不需要除了用户和项目之间的交互之外的任何额外信息。我们模型的主要框架如图1所示。首先,我们使用用户项目评级矩阵来获取用户和项目的特性,我们将在第3节中讨论。然后,我们将这些特征作为神经网络的输入。在输出层中,我们将获得一些概率值,这些值表示用户可能给出的分数的概率。最后,以概率最高的分数作为预测结果。通过对三种公共数据集的常用和最先进的算法进行比较,证明该模型能够有效地提高推荐精度。
本文的其余部分组织如下:在第2节中,我们介绍了基于DNNs的CF方法和一些推荐算法。我们将在第3节详细描述我们的模型。第4节包含一些实验评估和讨论。在第5节中我们提供了一个简短的结论。
Breese等[8]将CF算法分为两类:基于内存的方法和基于模型的方法。基于内存的CF使用用户[9]或项目[10]之间的相似性来提出建议。由于该方法有效且易于实现,因此得到了广泛的应用,但随着推荐系统规模的增大,相似度的计算也变得越来越困难;此外,高数据稀疏性也限制了该方法的性能。
为了解决上述问题,提出了许多基于模型的推荐算法,如潜在语义模型[11]、贝叶斯模型[12]、基于回归的模型[13]、聚类模型[14]、矩阵因子分解模型[15]。在各种CF技术中,矩阵分解是最常用的方法。该方法将用户和项映射到具有相同维度的向量,该维度表示用户或项的潜在特性。该方法的代表性工作包括非参数概率主成分分析(NPCA)[16]、奇异值分解(SVD)[17]、概率矩阵分解(PMF)[18]。然而,通过矩阵分解方法学习的潜在特征往往不够有效,特别是当评价矩阵非常稀疏的时候。
另一方面,深度学习技术最近在计算机视觉和自然语言处理领域取得了巨大的成功。这些技术在学习特征表现方面表现出极大的潜力;因此,研究人员已经开始将深度学习方法应用于推荐领域。Salakhutdinov等[19]使用受限的玻尔兹曼机代替传统的矩阵分解来执行CF,而Georgiev和Nakov[20]通过合并两者之间的关联来扩展工作。用户和项目之间。还有其他一些基于深度学习的研究方法,但他们主要关注[21]和[22]等音乐推荐。这些研究分别使用传统的卷积神经网络和深度信任网络来学习音乐的内容特征。除了音乐推荐,Wang等[23]提出了采用深度学习模型获取内容特征的层次贝叶斯模型,并采用传统的CF模型来处理评级信息。正如我们所看到的,这些基于深度学习技术的方法或多或少地通过学习诸如文本内容之类的内容特征来提出建议。以及音乐的光谱。当我们无法获得物品的内容时,这些方法是不适用的。因此,他等[24]提出了一种基于深度学习的新的推荐框架。在他们的方法中,用户和项目通过其ID的一热编码表示;显然,该方法只在模型的训练阶段使用ID信息,这使得大量的先验信息无法使用。因此,特征学习的有效性难以保证。
数据分析咨询请扫描二维码
数据挖掘是现代企业利用数据驱动决策的重要工具。它涉及从大量数据中提取隐藏的、先前未知但潜在有用的信息,依托人工智能、机器 ...
2024-10-23在当前数据驱动的商业环境中,数据分析师的角色变得越来越重要。想要踏入这一领域并取得成功,不仅需要扎实的技术基础,还需要不 ...
2024-10-23数据分析是一个广泛而又精细的领域,它结合了统计学、计算机科学、商业策略以及数据科学等多个学科的知识。这个领域日新月异的发 ...
2024-10-23在现代企业中,数字化管理师扮演着至关重要的角色。他们不仅帮助企业优化资源配置,还推动企业的数字化转型。要成为一名合格的数 ...
2024-10-23大数据专业是一个跨学科的领域,涵盖了数学、统计学、计算机科学与技术等多个学科。随着数据在各个行业中的重要性日益增加,大数 ...
2024-10-23大数据分析师培训教程-2.1 Hadoop入门-Hadoop 1.0 的局限与 Hadoop 2.0(YARN)的革新 Hadoop简介Hadoop 的生态系统HDFS 的原理 ...
2024-10-232024,您是否渴望在数据领域探索更广阔的职业机遇? 数字化时代,数据量级每年都在呈指数级增长。据统计,全球互联网用户每天产 ...
2024-10-21数据科学专业是一门跨学科的综合性学科,涵盖了数学、统计学、计算机科学等多个领域。其核心目标是通过数据的收集、处理和分析来 ...
2024-10-21Python是一种高级解释性编程语言,由Guido van Rossum于1991年创造。凭借其简单易学、代码可读性强和功能强大的特点,Python已经 ...
2024-10-21在当今数据驱动的世界中,选择学习Hadoop已成为许多数据分析师和IT专业人士的必修课。Hadoop不仅是大数据处理领域的核心技术之一 ...
2024-10-21数据开发工程师在当今数据驱动的世界中扮演着至关重要的角色。他们不仅负责数据的采集和处理,还在数据仓库建设、系统开发和数据 ...
2024-10-20在当今快速变化的数字经济时代,数字化转型已经成为企业实现持续增长和竞争优势的关键。数字化转型不仅仅是技术的变革,更是组织 ...
2024-10-19在当今快速发展的科技时代,数字经济已成为全球经济的重要组成部分。选择数字经济专业,不仅能为你打开通往多个行业的大门,还能 ...
2024-10-18学习统计学与大数据分析具有显著的优势,能够帮助你走向高薪岗位。在数字化时代背景下,统计学和大数据分析展现出强大的就业潜力 ...
2024-10-18在当今的数字时代,数据科学与大数据技术专业的就业方向极为广泛,涵盖了多个领域和岗位。随着数据成为企业决策的重要依据,行业 ...
2024-10-18大数据技术与应用领域正在迅速发展,成为现代经济和科技发展的重要驱动力。随着数据量的爆炸式增长,各行各业对大数据专业人才的 ...
2024-10-18在当今数据驱动的商业环境中,数据分析软件已成为企业决策过程中不可或缺的工具。随着数据量的激增和分析需求的复杂化,选择合适 ...
2024-10-18在当今数据驱动的世界中,数据分析已成为许多行业不可或缺的一部分。无论是企业决策、市场营销,还是产品开发,数据分析都能提 ...
2024-10-18数据分析在现代企业中扮演着至关重要的角色,帮助企业在竞争激烈的市场中做出明智的决策。随着数据量的不断增长,企业需要依赖先 ...
2024-10-18CDA(Certified Data Analyst)认证在数据分析领域具有显著的作用,具体包括以下几个方面: 1. 专业技能认可 CDA认证是数据分析 ...
2024-10-17