基于二部网络表示学习的矩阵分解推荐算法 |
| |
引用本文: | 袁梦祥,颜登程,张以文,周珊.基于二部网络表示学习的矩阵分解推荐算法[J].计算机集成制造系统,2020,26(6):1557-1563. |
| |
作者姓名: | 袁梦祥 颜登程 张以文 周珊 |
| |
作者单位: | 安徽大学 计算机科学与技术学院,安徽 合肥 230601;安徽大学 物质科学与信息技术研究院,安徽 合肥 230601;深圳易伙科技有限责任公司,广东 深圳 518000 |
| |
基金项目: | 安徽大学博士科研启动资助项目;安徽省高等学校自然科学研究项目;深圳市创客专项资金计划资助项目 |
| |
摘 要: | 矩阵分解算法广泛应用于推荐系统。然而,其性能往往受到数据稀疏性和数据高维度的影响,且较少考虑项目的内容信息。针对上述问题,提出一种联合二部网络表示学习的矩阵分解推荐算法(BiNRMF)。首先,利用评分信息和项目的标签信息构建两个二部网络;然后,通过二部网络的表示学习算法得到用户和项目的低维向量表示,用以计算用户之间和项目之间的相似性;最后,改进传统矩阵分解模型,融入低维向量空间中用户的相似关系和项目的相似关系。在GoodBooks和MovieLens数据集上的实验结果表明,与经典的推荐算法相比,联合二部网络表示学习的矩阵分解推荐算法的预测精度有显著提升。
|
关 键 词: | 推荐系统 协同过滤 二部网络 网络表示学习 矩阵分解 |
本文献已被 CNKI 万方数据 等数据库收录! |
|