基于深度学习和矩阵分解的推荐算法

摘要

推荐系统可以有效地缓解信息过载,帮助用户从海量数据中筛选其偏好的内容.目前应用最普遍的推荐算法,如协同过滤,普遍存在着数据稀疏、冷启动、特征提取不充分等问题.把电影推荐作为研究对象,提出了融合深度学习和矩阵分解的LM-SVD推荐算法.以多层感知机MLP和长短期记忆网络LSTM的组合模型学习用户、电影属性数据及文本数据,获取用户和电影的深层特征表示.接着以BiasSVD矩阵分解模型学习用户电影评分数据,获取用户和电影的潜在隐特征向量,并与深度学习阶段获得的深层特征向量相融合.改进矩阵分解的预测评分和损失函数计算方式,缓解评分矩阵的稀疏性,使得特征提取更充分.在两个MovieLens数据集上进行的算法对比实验表明,LM-SVD算法有效提升了电影评分预测准确度,使得推荐性能提高.