融合主题信息和卷积神经网络的混合推荐算法

作者：田保军^*; 刘爽; 房建东

来源：计算机应用, 2020, 40(07): 1901-1907.

• 推荐算法
• 主题模型
• 卷积神经网络
• 概率矩阵分解
• 协同过滤

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题,提出了一种基于隐狄利克雷分布(LDA)与卷积神经网络(CNN)的概率矩阵分解推荐模型(LCPMF),该模型综合考虑项目评论文档的主题信息与深层语义信息。首先,分别使用LDA主题模型和文本CNN对项目评论文档建模;然后,获取项目评论文档的显著潜在低维主题信息及全局深层语义信息,从而捕获项目文档的多层次特征表示;最后,将得到的用户和多层次的项目特征融合到概率矩阵分解(PMF)模型中,产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上,将LCPMF与经典的PMF、协同深度学习(CDL)、卷积矩阵因子分解模型(ConvMF)模型进行对比。实验结果表明,相较PMF、CDL、ConvMF模型,所提推荐模型LCPMF的均方根误差(RMSE)和平均绝对误差(MAE)在Movielens 1M数据集上分别降低了6. 03%和5. 38%、5. 12%和4. 03%、1. 46%和2. 00%,在Movielens 10M数据集上分别降低了5. 35%和5. 67%、2. 50%和3. 64%、1. 75%和1. 74%,在Amazon数据集上分别降低17. 71%和23. 63%、14. 92%和17. 47%、3. 51%和4. 87%,验证了所提模型在推荐系统中的可行性与有效性。

• 单位
  内蒙古工业大学