南京航空航天大学学报

作者：钱付兰

单位：安徽大学计算机科学与技术学院， 合肥， 230601;安徽大学信息保障技术研究中心， 合肥， 230601；,安徽大学计算机科学与技术学院， 合肥， 230601;安徽大学信息保障技术研究中心， 合肥， 230601；,安徽大学计算机科学与技术学院， 合肥， 230601;安徽大学信息保障技术研究中心， 合肥， 230601；,安徽大学计算机科学与技术学院， 合肥， 230601;安徽大学信息保障技术研究中心， 合肥， 230601；

关键词：深度学习;推荐算法;评分推荐

基金：开发 2017YFB1401903;国家自然科学基金 61673020 61702003;61876001）资助项目;安徽省自然科学基金 1808085MF175国家重点研究和开发(2017YFB1401903)资助项目；国家自然科学基金（61673020, 61702003, 61876001）资助项目；安徽省自然科学基金(1808085MF175)资助项目。

从用户-项目评分矩阵中学习用户对项目的个性化偏好, 对于评分推荐来说至关重要。许多推荐方法如潜在因子模型，无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发，本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比，使用DeepWide 和DNN部分重构Wide 模型和 Deep 模型得到DeepHM, 并且 DeepWide和DNN部分共享交互信息输入。因此，DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。

来源：2019年第5期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2019年第5期