一种基于两阶段深度学习的集成推荐模型

王瑞琴; 吴宗大; 蒋云良; 楼俊钢

doi:10.7544/issn1000-1239.2019.20190178

一种基于两阶段深度学习的集成推荐模型

¹(湖州师范学院信息工程学院浙江湖州 313000)
²(温州大学瓯江学院浙江温州 325035) (zongda1983@163.com)

基金项目: 教育部人文社科规划基金项目(19YJA870013)；国家自然科学基金项目(61403338)；浙江省科技计划重点研发项目(2017C03047)

详细信息

中图分类号: TP391
计量
- 文章访问数: 1938
- HTML全文浏览量: 4
- PDF下载量: 639
出版历程
- 发布日期: 2019-07-31

An Integrated Recommendation Model Based on Two-stage Deep Learning

¹(School of Information Engineering, Huzhou University, Huzhou, Zhejiang 313000)
²(School of Oujiang, Wenzhou University, Wenzhou, Zhejiang 325035)

摘要

摘要: 近年来，深度学习技术被广泛应用于推荐系统领域并获得了很大的成功，然而深度学习模型的输入质量对学习结果具有很大影响，稀疏的输入特征向量不仅会增加后续模型训练的难度，而且容易导致学习结果落入局部最优.提出一个基于两阶段深度学习的集成推荐模型：首先，利用具有封闭式参数计算能力的边缘化堆叠去噪自动编码机进行用户和项目高层抽象特征的提取；然后，将得到的用户抽象特征和项目抽象特征进行连接并作为深度神经网络模型的输入向量，通过联合训练的方式进行参数学习和模型优化.此外，为了对低阶特征交互进行建模，推荐模型中还集成了基于原始特征向量的逻辑回归模型.在通用数据集上的大量对比实验研究表明：与当前流行的深度学习推荐方法相比，该方法在推荐精度和召回率方面都有所改善，甚至是在数据稀疏和冷启动的环境下.
- 深度学习 /
- 边缘化堆叠去噪自动编码机 /
- 深度神经网络 /
- 特征提取
Abstract: In recent years, deep learning technology has been widely used in the field of recommendation systems and has achieved great success. However, the input quality of the deep learning models has a great influence on the learning results. A sparse input feature vector will not only increase the difficulty of subsequent model training, but also will lead to the learning results falling into local optimum. In this article, an integrated recommendation model based on two-stage deep learning is proposed. Firstly, two individual marginal stacked denoising auto-encoders (mSDA) models with closed-form parameter calculation are used to extract the high-level abstract features of the users and the items. Then the resulted user abstract feature and the item abstract feature are connected as the input vector of the deep neural network (DNN) model, and the parameter learning and model optimization are performed through joint training. In addition, in order to model low-order feature interactions, a logistic regression model based on original feature vector is also integrated into the recommendation model. Extensive experiments with two real-world datasets indicate that the proposed recommendation model shows excellent recommendation performance compared with the state-of-the-art methods, especially in the data sparse and the cold start environments.
- deep learning /
- marginalized stacked denoising auto-encoder /
- deep neural network (DNN) /
- feature extraction

HTML全文

参考文献(0)

施引文献(31)

期刊类型引用(11)

1.	周显春，喻佳. 基于图神经网络的人工自然语言语义挖掘仿真. 计算机仿真. 2024(01): 344-348 . 百度学术
2.	孟祥福，田友发，张霄雁. 基于LightGBM模型的肺腺癌免疫相关基因筛选与患者生存率预测. 生物医学工程学杂志. 2024(01): 70-79 . 百度学术
3.	陈伟，周丽华，王亚峰，王丽珍，陈红梅. 异质信息网络中基于解耦图神经网络的社区搜索. 计算机科学. 2024(03): 90-101 . 百度学术
4.	万齐智，万常选，胡蓉，刘德喜，刘喜平，廖国琼. 面向研究问题的深度学习事件抽取综述. 自动化学报. 2024(11): 2079-2101 . 百度学术
5.	刘超，孔兵，杜国王，周丽华，陈红梅，包崇明. 高阶互信息最大化与伪标签指导的深度聚类. 浙江大学学报(工学版). 2023(02): 299-309 . 百度学术
6.	杨成波，周丽华，黄亚群，杨宇迪. 异质网络中基于关键词属性的Truss社区搜索. 计算机应用研究. 2023(06): 1708-1714 . 百度学术
7.	白明昌. 基于折叠路径聚合的属性网络节点嵌入方法. 计算机工程. 2023(07): 76-84 . 百度学术
8.	谢小杰，梁英，王梓森，刘政君. 基于图卷积的异质网络节点分类方法. 计算机研究与发展. 2022(07): 1470-1485 . 本站查看
9.	王宏琳，杨丹，聂铁铮，寇月. 自注意力机制的属性异构信息网络嵌入的商品推荐. 计算机研究与发展. 2022(07): 1509-1521 . 本站查看
10.	盛妍，朱龙珠，丁毛毛，刘鲲鹏，刘海龙. 面向电力服务情绪识别的图卷积网络方法研究. 电子器件. 2022(04): 959-963 . 百度学术
11.	李琳，梁永全，刘广明. 基于重启随机游走的图自编码器. 计算机应用研究. 2021(10): 3009-3013 . 百度学术