基于改进CNN的局部相似性预测推荐模型

计算机工程与科学

基于改进CNN的局部相似性预测推荐模型

吴国栋1,2，宋福根1，涂立静2，史明哲2

(1.东华大学管理学院，上海 200051；2.安徽农业大学信息与计算机学院，安徽合肥 230036)

收稿日期:2018-06-25 修回日期:2018-11-30 出版日期:2019-06-25
基金资助:
国家自然科学基金(31671589)；安徽省科技攻关重点项目(1501031082)

A local similarity prediction recommendation

model based on improved CNN

WU Guodong1,2，SONG Fugen1，TU Lijing2，SHI Mingzhe2

(1.School of Business and Management,Donghua University,Shanghai 200051;

2.School of Information and Computer,Anhui Agricultural University,Hefei 230036,China)

Received:2018-06-25 Revised:2018-11-30 Online:2019-06-25

摘要/Abstract

摘要：

为缓解推荐系统中数据稀疏性问题，利用卷积神经网络CNN具有较强捕捉局部特征能力的优势，通过加入一个调节层，提出一种改进CNN的局部相似性预测推荐模型LSPCNN。新模型对初始用户项目评分矩阵进行迭代调整，使用户兴趣偏好局部特征化，再融合CNN对缺失评分进行预测，从而实施个性化推荐。实验结果表明，LSPCNN模型在不同数据稀疏度下的MAE值较传统推荐方法平均下降4%，有效缓解了数据稀疏性，提高了推荐系统的性能。

关键词: 卷积神经网络(CNN), 局部相似性, 稀疏性, 推荐系统

Abstract:

In order to alleviate the problem of data sparsity in recommendation systems, based on the advantage of convolutional neural networks (CNNs) in capturing local features, we propose a local similarity prediction recommendation model based on improved CNN (LSPCNN) by adding an adjustment layer. The new model iteratively adjusts the initial user-item scoring matrix to localize user’s interest preference. And then CNNs are integrated to predict the missing score and achieve personalized recommendation. Experimental results show that the MAE value of the LSPCNN model under different degrees of data sparsity decreases by an average of 4% compared with the traditional recommendation methods, and it effectively alleviates the data sparsity problem and improves the performance of recommendation systems.

Key words: convolutional neural network (CNN), local similarity, sparsity, recommender system

吴国栋1,2，宋福根1，涂立静2，史明哲2. 基于改进CNN的局部相似性预测推荐模型[J]. 计算机工程与科学.

WU Guodong1,2，SONG Fugen1，TU Lijing2，SHI Mingzhe2.

A local similarity prediction recommendation

model based on improved CNN

[J]. Computer Engineering & Science.

[1]	高玮蔚, 刘杨, 马慧芳, 唐月晨. 基于增强偏好影响力的图注意力网络推荐算法[J]. 计算机工程与科学, 2023, 45(07): 1300-1307.
[2]	王玫申, 张鹏, 薛乐洋, . 基于二分网络的长期推荐[J]. 计算机工程与科学, 2023, 45(04): 691-700.
[3]	罗可劲, 刘广聪, 杨文浩. 基于多任务学习的图神经网络推荐模型研究[J]. 计算机工程与科学, 2023, 45(04): 726-733.
[4]	张若一, 金柳, 马慧芳, 王亦可, 李清风. 融合相似用户影响效应的知识图谱推荐模型[J]. 计算机工程与科学, 2023, 45(03): 520-527.
[5]	邹程辉, 李卫疆, . 融合知识图谱和评论文本的个性化推荐模型[J]. 计算机工程与科学, 2023, 45(01): 181-190.
[6]	贾俊杰, 姚叶旺, 陈旺虎. 基于非负矩阵分解的群组推荐算法[J]. 计算机工程与科学, 2022, 44(05): 933-943.
[7]	贾俊杰, 段超强. 基于评分离散度的托攻击检测算法[J]. 计算机工程与科学, 2022, 44(03): 554-562.
[8]	顾军华, 佘士耀, 樊帅, 张素琪. 基于用户长短期兴趣与知识图卷积网络的推荐[J]. 计算机工程与科学, 2021, 43(03): 511-517.
[9]	陈海涵, 吴国栋, 李景霞, 王静雅, 陶鸿. 基于注意力机制的深度学习推荐研究进展[J]. 计算机工程与科学, 2021, 43(02): 370-380.
[10]	杨丰瑞, 李前洋, 罗思烦, . 一种基于降噪自编码器的隐式反馈推荐算法[J]. 计算机工程与科学, 2020, 42(08): 1500-1505.
[11]	杨丰瑞, 李前洋, 罗思烦, . 基于降噪自编码器的社会化推荐算法[J]. 计算机工程与科学, 2020, 42(05): 944-950.
[12]	陈鑫1，王斌1，曾范清2. 商品搭配大数据推荐方法研究综述[J]. 计算机工程与科学, 2020, 42(01): 36-45.
[13]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[14]	杨丰瑞1,2,3，吴晓浩1,2，万程峰1,2. 结合信任度和项目关联的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2048-2054.
[15]	韦修喜1，黄华娟1，周永权1,2. 基于AP聚类的约简孪生支持向量机快速分类算法[J]. 计算机工程与科学, 2019, 41(10): 1899-1904.