基于卷积神经网络的多样性关键数据并行推荐算法

摘要

为解决传统数据推荐算法易受干扰因素的影响,忽略对数据结构的分析,导致存在推荐精准度较低的问题,提出基于卷积神经网络的多样性关键数据并行推荐算法.从数据集中挑选点击、收藏、购买等多样性用户行为信息,将用户-商品作为样本展开训练,构建时序行为偏好特征,并对数据并行结构展开分析.从大量数据中提取与并行结构分析相关的关键数据,进行预处理,在此基础上,采用卷积神经网络算法计算最大化似然概率,获取损失函数,按照损失情况将卷积层神经元结构最简化处理,避免过拟合现象出现,由此实现对多样性关键数据的并行推荐.实验结果表明,所提算法的最高推荐精准度可达到98.75%,且在有无干扰因素存在的情况下,精准度均高于传统方法,且本文算法的关键数据提取效率较高,可为用户寻找资料提供便捷途径.