典型文献
基于评论方面级用户偏好迁移的跨领域推荐算法
文献摘要：
为解决推荐系统中数据稀疏造成的用户冷启动问题,文中提出了一种基于方面级用户偏好迁移的跨领域推荐算法(Cross-Domain Recommendation via Review Aspect-Level User Preference Transfer,CAUT),设计了基于两阶段生成对抗网络的用户方面级偏好跨领域迁移结构,通过用户历史评论挖掘用户细粒度方面级偏好.CAUT利用预训练源领域编码器参数对目标领域编码器进行参数初始化,在固定源领域编码器参数的同时引入领域鉴别器,以解决源领域与目标领域数据分布差异的问题,进而可以有效利用源领域的丰富数据,缓解目标领域数据稀疏造成的用户冷启动问题.在亚马逊电商平台真实数据集上进行了实验,结果表明,与最新算法相比,CAUT在用户对商品的评分预测均方根误差(RMSE)指标上有明显的提升,说明CAUT可有效缓解用户冷启动问题.
文献关键词：
跨领域推荐;方面级用户偏好;用户冷启动;生成对抗网络
中图分类号：
作者姓名：
张佳;董守斌
作者机构：
华南理工大学计算机科学与工程学院 广州510006;中山市华南理工大学现代产业技术研究院 广东 中山528437
文献出处：
引用格式：
[1]张佳;董守斌-.基于评论方面级用户偏好迁移的跨领域推荐算法)[J].计算机科学,2022(09):41-47
A类：
方面级用户偏好,CAUT
B类：
跨领域推荐,推荐算法,推荐系统,数据稀疏,用户冷启动,冷启动问题,Cross,Domain,Recommendation,via,Review,Aspect,Level,User,Preference,Transfer,两阶段,生成对抗网络,跨领域迁移,史评,评论挖掘,细粒度,预训练,源领域,编码器,参数初始化,固定源,鉴别器,数据分布,分布差异,亚马逊,电商平台,真实数据,新算法,评分预测,RMSE
AB值：
0.307894
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
