10.3969/j.issn.1000-386x.2019.11.046
基于深度神经网络和改进相似性度量的推荐算法
为了提高协同过滤推荐系统对于稀疏数据的推荐效果,提出一种基于深度神经网络和改进相似性度量的推荐算法.分析普通Jaccard相似性度量指标处理稀疏数据集的不足之处,对Jaccard相似性提出改进方案.设计交互的两个自编码器,一个自编码器利用显式反馈数据分析用户对于项目的偏好,其优化目标为最小化重建误差和正则成对排列损失;另一个自编码器利用隐式反馈数据分析用户对于项目的潜在偏好,其学习目标是采样数据集的负项集,利用隐式反馈数据增强显式反馈自编码器的学习效果.基于不同规模稀疏数据集的实验结果显示,该算法有效地增强了稀疏数据集的推荐准确率,实现了合理的推荐效率.
协同过滤、推荐系统、相似性度量、自编码器、深度神经网络、显式反馈
36
TP391(计算技术、计算机技术)
2019-11-29(万方平台首次上网日期,不代表论文的发表时间)
共9页
286-293,300