10.3969/j.issn.2095-2163.2020.08.024
基于深度学习的协同过滤推荐算法
利用深度学习在特征提取方面的优势,挖掘嵌入用户和项目信息中的隐藏信息,改善传统协同过滤算法中存在的数据稀疏性及冷启动问题,将提取到的特征信息运用协同过滤算法评分预测,并且考虑用户的兴趣漂移情况和物品流行度情况,增加用户时间偏置和项目时间偏置,使算法具有实时性.最后与多种算法进行对比实验,通过计算RMSE,评估算法的可行性与有效性.实验结果表明,基于深度学习的协同过滤推荐算法可行有效,能缓解传统协同过滤算法中存在的数据稀疏性、冷启动问题,具有实时性,提高推荐准确率,具有良好的推荐效果.
深度学习、协同过滤、数据稀疏性、冷启动、实时性
10
TP391(计算技术、计算机技术)
2021-06-07（万方平台首次上网日期，不代表论文的发表时间）
共5页
100-104
