计算机工程 ›› 2019, Vol. 45 ›› Issue (8): 184-189.doi: 10.19678/j.issn.1000-3428.0053034

• 人工智能及识别技术 • 上一篇    下一篇

基于栈式降噪自动编码器的动态混合推荐算法

李梦梦1, 夏阳1, 李心茹1, 徐婷1, 魏思政2   

  1. 1. 中国矿业大学 计算机科学与技术学院, 江苏 徐州 221116;
    2. 徐州工程学院 经济学院, 江苏 徐州 221008
  • 收稿日期:2018-10-31 修回日期:2018-12-12 出版日期:2019-08-15 发布日期:2019-08-08
  • 作者简介:李梦梦(1993-),女,硕士研究生,主研方向为深度学习、推荐系统;夏阳,教授、博士;李心茹、徐婷,硕士研究生;魏思政,助教、硕士。
  • 基金项目:
    国家自然科学基金(51874300);国家自然科学基金委员会-山西省人民政府煤基低碳联合基金(U1510115)。

Dynamic Hybrid Recommendation Algorithm Based on Stacked Denoising Autoencoder

LI Mengmeng1, XIA Yang1, LI Xinru1, XU Ting1, WEI Sizheng2   

  1. 1. School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, Jiangsu 221106, China;
    2. School of Economics, Xuzhou University of Technology, Xuzhou, Jiangsu 221008, China
  • Received:2018-10-31 Revised:2018-12-12 Online:2019-08-15 Published:2019-08-08

摘要: 传统协同过滤算法仅依靠用户评分数据的低维向量方法,存在推荐结果精确度低以及冷启动问题。为此,提出一种新的动态混合推荐算法,将栈式降噪自动编码器融入到基于用户的协同过滤中,学习用户的深层次特征,并与基于用户项目属性偏好的相似度融合。在预测生成阶段,设置时间衰减项,动态预测访问概率,及时更新用户兴趣变化,从而提高推荐质量。在MovieLens数据集上的实验结果表明,与UB-CF、AE和SDAE-IA算法相比,该算法推荐性能明显提高。

关键词: 协同过滤, 自动编码器, 项目属性, 相似度, 时间衰减

Abstract: Traditional collaborative filtering algorithms only rely on low-dimensional vector method of user rating data,which results in low accuracy of recommendation results and cold-start problems.Therefore,this paper proposes a new dynamic hybrid recommendation algorithm,which integrates the stacked denoising Autoencoder(AE) into the user-based collaborative filtering to learn users'deep features,and is integrated with the similarity based on user item attribute preference.In the prediction generation stage,the time attenuation item is set to dynamically predict the accessing probability and update the changes of user interest in time,so as to improve the quality of recommendation.Experimental results on the MovieLens dataset show that the recommendation performance of the algorithm is significantly improved compared with the UB-CF,AE,and SDAE-IA algorithms.

Key words: collaborative filtering, Autoencoder(AE), item attribute, similarity, time attenuation

中图分类号: