科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统协同过滤推荐算法的特征选取中存在噪声的问题,分析了物品特征的提取方法,将自编码器推广到具有良好可扩展性的矩阵分解框架中,提出了一种基于物品融合自编码器的协同过滤推荐算法。在特征提取时,将物品的固有信息作为自编码器的输入,通过多层降维后得到低维的非线性特征表示。在构建模型时,将得到的低维特征融入到矩阵分解中的物品隐含向量,同时利用用户的历史交互物品来构建用户的隐含向量,缓解了冷启动的问题。采用公开数据集MovieLens和Pinterest来进行实验,结果表明,与传统的推荐算法相比,所提算法预测命中率显著提高,能够有效地提取物品特征,给用户提供准确的推荐。
- 单位
