典型文献
融合异质信息网络表示学习的跨领域推荐研究
文献摘要：
针对单领域推荐中的数据"稀疏性"和用户"冷启动"问题,提出一种综合利用评分信息和特征信息的跨领域推荐模型.首先,利用异质网络表示学习,针对源领域和目标领域的异质信息网络,通过元路径、DeepWalk算法生成网络表示学习向量,进而利用个性化非线性融合输出源领域和目标领域的物品特征信息向量;其次,利用神经网络模拟CMF(collective matrix factorization),生成用户和物品的评分信息向量,并通过映射函数MLP(multilayer perceptron)将用户评分信息向量映射到不同领域,以突出用户特征在不同领域的差异性;最后,将评分信息和特征信息有机融合,以损失函数为依据,采用梯度下降的方法学习模型的参数,从而完成评分预测.研究结果表明,在豆瓣网和Amazon数据集上,本文模型均优于其他相关算法;在提升推荐效果方面,目标领域RMSE(root mean squared error)和MAE(mean absolute error)下降了1％～15％,源领域RMSE和MAE下降了1％～19％;在用户"冷启动"方面,目标领域的RMSE和MAE下降了1％～14％.
文献关键词：
跨领域推荐;异质网络表示学习;联合矩阵分解
中图分类号：
作者姓名：
易明;刘明;冯翠翠
作者机构：
华中师范大学信息管理学院,武汉 430079
文献出处：
引用格式：
[1]易明;刘明;冯翠翠-.融合异质信息网络表示学习的跨领域推荐研究)[J].情报学报,2022(04):337-349
A类：
联合矩阵分解
B类：
异质信息网络,跨领域推荐,稀疏性,冷启动,分信,特征信息,推荐模型,异质网络表示学习,源领域,元路径,DeepWalk,生成网络,非线性融合,品特,CMF,collective,matrix,factorization,映射函数,MLP,multilayer,perceptron,向量映射,射到,用户特征,损失函数,梯度下降,方法学,评分预测,豆瓣,Amazon,推荐效果,RMSE,root,mean,squared,error,MAE,absolute
AB值：
0.374839
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。
