计算机应用

作者：田保军, 刘爽, 房建东

单位：1. 内蒙古工业大学 信息工程学院, 呼和浩特 010080;2. 内蒙古工业大学 数据科学与应用学院, 呼和浩特 010080

关键词：推荐算法,主题模型,卷积神经网络,概率矩阵分解,协同过滤

基金：内蒙古自治区自然科学基金资助项目（2019MS06024，2019MS06023）；内蒙古自治区科技重大项目（2018ZD0302）；内蒙古自治区科技计划项目（20170306）。

针对传统的协同过滤算法中数据稀疏和推荐结果不准确的问题，提出了一种基于隐狄利克雷分布（LDA）与卷积神经网络（CNN）的概率矩阵分解推荐模型（LCPMF），该模型综合考虑项目评论文档的主题信息与深层语义信息。首先，分别使用LDA主题模型和文本CNN对项目评论文档建模；然后，获取项目评论文档的显著潜在低维主题信息及全局深层语义信息，从而捕获项目文档的多层次特征表示；最后，将得到的用户和多层次的项目特征融合到概率矩阵分解（PMF）模型中，产生预测评分进行推荐。在真实数据集Movielens 1M、Movielens 10M与Amazon上，将LCPMF与经典的PMF、协同深度学习（CDL）、卷积矩阵因子分解模型（ConvMF）模型进行对比。实验结果表明，相较PMF、CDL、ConvMF模型，所提推荐模型LCPMF的均方根误差（RMSE）和平均绝对误差（MAE）在Movielens 1M数据集上分别降低了6.03%和5.38%、5.12%和4.03%、1.46%和2.00%，在Movielens 10M数据集上分别降低了5.35%和5.67%、2.50%和3.64%、1.75%和1.74%，在Amazon数据集上分别降低17.71%和23.63%、14.92%和17.47%、3.51%和4.87%，验证了所提模型在推荐系统中的可行性与有效性。

来源：2020年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第7期