文献类型：期刊文章

作　　者：刘荣辉[1] 张敬普[1]

LIU Rong-hui;ZHANG Jing-pu(School of Computer and Data Science, Henan University of Urban Construction, 467000, China)

机构地区：[1]河南城建学院计算机与数据科学学院,河南顶山467000

出　　处：《西南师范大学学报（自然科学版）》

基　　金：河南省科技攻关基金项目(1521022100093).

年　　份：2021

卷　　号：46

期　　号：7

起止页码：103-108

语　　种：中文

收录情况：CAS、JST、MR、RCCSE、ZGKJHX

摘　　要：针对当前推荐算法面临的冷启动、数据稀疏以及推荐准确度低等问题,本文提出一种基于深度学习的正则化矩阵分解推荐系统,该系统利用深度自动编码器对基于矩阵分解的用户和项目潜在特征进行初始化,然后使用Node2vec网络嵌入技术在用户信任网络中捕获用户潜在特征,用于计算用户信任度和预测用户对项目的评分.为了使用户的兴趣与可信用户和社区中最具影响力的人兴趣相似,本文算法采用Louvain和超链接诱导主题搜索(HITS)方法寻找社交网络中最具影响力的用户节点,以正则化的方式将约束信息添加到矩阵分解的目标函数中.实验结果表明:本文算法明显优于其他对比推荐算法,不仅可以缓解用户的冷启动问题,还提高了推荐质量.

关 键 词：推荐系统 深度学习  矩阵分解 正则化 社交信任网络  

分 类 号：TP393]