HRS-DC：基于深度学习的混合推荐模型

来源：计算机工程与应用杂志2020年第14期北京时间：

作者：刘振鹏，尹文召，王文胜，孙静薇

单位：1.河北大学 电子信息工程学院，河北 保定 071002；2.河北大学 信息技术中心，河北 保定 071002

摘要：针对传统的矩阵分解算法，仅利用评分信息作为推荐依据，当评分数据稀疏时，不能准确获取隐式反馈，影响推荐的准确性，充分利用辅助信息进行隐式特征的提取成为研究热点之一，提出一种基于深度学习的推荐模型HRS-DC，利用深度神经网络和卷积神经网络从辅助信息中分别提取出用户和项目的隐性特征向量，再将特征向量经过改进的神经协同过滤得出新的评分矩阵。通过在三个真实的数据集上进行验证，与概率矩阵分解（PMF）、协同过滤主题回归（CTR）、协同过滤深度学习（CDL）、卷积矩阵分解ConvMF算法相比提高了评分预测的准确性，也在一定程度上缓解了冷启动问题。

关键词：深度学习,神经网络,矩阵分解,辅助信息,协同过滤