典型文献
基于卷积神经网络交互的用户属性偏好建模的推荐模型
文献摘要：
潜在因子模型(LFM)以其优异的性能在推荐领域得到了广泛应用.在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能.然而,大多数LFM仍然存在一些问题:第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联.针对上述问题,提出一种新的推荐模型:基于卷积神经网络(CNN)交互的用户属性偏好建模的推荐模型(UAMC).该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分.在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验.实验结果表明,所提模型在均方根误差(RMSE)上与稀疏数据预测的神经网络分解机(NFM)模型相比分别降低了1.75％、2.78％和0.25％,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性.
文献关键词：
潜在因子模型;用户偏好;用户属性偏好;卷积神经网络;特征交互;注意力机制
中图分类号：
作者姓名：
潘仁志;钱付兰;赵姝;张燕平
作者机构：
安徽大学计算机科学与技术学院,合肥230601;计算智能与信号处理教育部重点实验室(安徽大学),合肥230601;信息材料和智能感知安徽省实验室(安徽大学),合肥230601
文献出处：
引用格式：
[1]潘仁志;钱付兰;赵姝;张燕平-.基于卷积神经网络交互的用户属性偏好建模的推荐模型)[J].计算机应用,2022(02):404-411
A类：
用户属性偏好,UAMC
B类：
网络交互,推荐模型,潜在因子模型,LFM,交互数据,辅助信息,数据稀疏,内积,特征交互,相互独立,得用,不同项目,用户偏好,送入,不同维度,偏好向量,注意力机制,向量表示,Movielens,100K,1M,Book,crossing,RMSE,稀疏数据,数据预测,网络分解,NFM,评分预测,推荐精度
AB值：
0.306343
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。
