MN-HDRM:长短兴趣多神经网络混合动态推荐模型
动态推荐系统通过学习动态变化的兴趣特征来考虑推荐系统中的动态因素,实现推荐任务随着时间变化而实时更新.该文提出一种携带历史元素的循环神经网络(Recurrent Neural Networks,简称RNN)推荐模型负责用户短期动态兴趣建模,而利用基于前馈神经网络(Feedforward Neural Networks,简称FNN)的推荐模型对用户长期兴趣建模.通过两种神经网络的融合,该文构建了一个兼顾用户短期动态兴趣和稳定长期兴趣的多神经网络混合动态推荐模型(Hybrid Dynamic Recommendation Model based on Multiple Neural Networks,简称MN-HDRM).实验结果表明相对于目前比较流行的多种动态推荐算法:TimeSVD++、基于HMM(Hidden Markov Model)的推荐模型、基于RNN(Recurrent Neural Networks)的推荐模型、基于LSTM(Long Short-Term Memory)的推荐模型和STG(Session-based Temporal Graph)推荐模型,MN-HDRM在精确率、召回率和平均倒数排名等多项评价指标上展现出更加优越的性能.
循环神经网络、前馈神经网络、动态推荐模型、长短期兴趣、时间因素
42
TP18(自动化基础理论)
国家重点研发计划2017YFB1402400;国家自然科学基金61762025;重庆市基础与前沿研究计划cstc2017jcyjAX0340;广西可信软件重点实验室开放课题kx201701;广西云计算与大数据协同创新中心开放课题YD16E01;重庆市重点产业共性关键技术创新专项cstc2017zdcy-zdyxx0047;重庆博士后科学基金Xm2017125;重庆市社会事业与民生保障科技创新专项cstc2017shmsA20013
2019-05-17(万方平台首次上网日期,不代表论文的发表时间)
共13页
16-28