文献类型：期刊文章

作　　者：田保军[1] 刘爽[2] 房建东[1]

TIAN Baojun;LIU Shuang;FANG Jiandong(College of Information Engineering,Inner Mongolia University of Technology,Hohhot Inner Mongolia 010080,China;College of Data Science and Application,Inner Mongolia University of Technology,Hohhot Inner Mongolia 010080,China)

机构地区：[1]内蒙古工业大学信息工程学院,呼和浩特010080 [2]内蒙古工业大学数据科学与应用学院,呼和浩特010080

出　　处：《计算机应用》

基　　金：内蒙古自治区自然科学基金资助项目(2019MS06024,2019MS06023);内蒙古自治区科技重大项目(2018ZD0302);内蒙古自治区科技计划项目(20170306)。

年　　份：2020

卷　　号：40

期　　号：7

起止页码：1901-1907

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题,提出了一种基于隐狄利克雷分布(LDA)与卷积神经网络(CNN)的概率矩阵分解推荐模型(LCPMF),该模型综合考虑项目评论文档的主题信息与深层语义信息。首先,分别使用LDA主题模型和文本CNN对项目评论文档建模;然后,获取项目评论文档的显著潜在低维主题信息及全局深层语义信息,从而捕获项目文档的多层次特征表示;最后,将得到的用户和多层次的项目特征融合到概率矩阵分解(PMF)模型中,产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上,将LCPMF与经典的PMF、协同深度学习(CDL)、卷积矩阵因子分解模型(ConvMF)模型进行对比。实验结果表明,相较PMF、CDL、ConvMF模型,所提推荐模型LCPMF的均方根误差(RMSE)和平均绝对误差(MAE)在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%,在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%,在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%,验证了所提模型在推荐系统中的可行性与有效性。

关 键 词：推荐算法  主题模型 卷积神经网络 概率矩阵分解  协同过滤

分 类 号：TP183]