推荐系统信息跨领域的改进迁移学习算法

作者：张子烨; 李明畅; 梁凌睿; 张铭华; 谢贤芬; 古万荣

来源：华南理工大学学报(自然科学版), 2020, 48(11): 99-106.

• 推荐系统
• 数据挖掘
• 机器学习
• 神经网络

推荐技术中的单领域推荐算法面临诸多现实问题,主流的协同过滤算法只利用了用户与物品的交互的信息,无法避免会受到实际应用场景中数据稀疏性的影响。本文致力于融合其他领域的信息来处理稀疏数据,解决了现有算法较难从跨领域中找到有效关联的问题。文中提出了一种联想型感知网络模型,它基于深度神经网络,通过深度挖掘物品的内容信息和信息跨领域的方法来实现迁移学习,获取最优化的特征关联,进而优化了推荐的准确性。该算法很好地处理了推荐系统中数据稀疏性问题,并且在公测数据集的实验中比多种新近算法提升达到15%～20%,表现出了更好的性能和可扩展性。

• 单位
  数学学院; 暨南大学; 华南农业大学; 华南理工大学