一种基于深度学习的精准商品推荐方法

摘要

随着互联网技术的飞速发展,互联网用户在畅游网络的同时也面临着信息过载的问题,而个性化推荐技术则成为了解决信息过载问题的有力工具.为了对用户提供更精准的商品推荐服务,提出了一个基于栈式降噪自编码器(SDAE)和贝叶斯个性化排序(BPR)相结合的深度神经网络模型SDAE-BPR.首先,使用SDAE把商品评分数据作为输入,编码后得到隐特征.其次,用BPR的方法学习对应商品的隐特征向量.该模型能够避免矩阵稀疏性的影响,因此达到了更精准推荐商品的效果.最后,分别使用Movielens 20 M和Movielens 1 M数据集,对SDAE-BPR模型与传统基于商品的协同过滤模型(IB-CF)、传统基于用户的协同过滤模型(UB-CF)做了对比,结果发现SDAE-BPR具有更高的准确度.