基于二部网络表示学习的矩阵分解推荐算法
来源：计算机集成制造系统杂志2020年第6期北京时间：
作者：袁梦祥,颜登程,张以文,周珊
单位：1.安徽大学计算机科学与技术学院2.安徽大学物质科学与信息技术研究院3.深圳易伙科技有限责任公司
摘要：矩阵分解算法广泛应用于推荐系统。然而,其性能往往受到数据稀疏性和数据高维度的影响,且较少考虑项目的内容信息。针对上述问题,提出一种联合二部网络表示学习的矩阵分解推荐算法(BiNRMF)。首先,利用评分信息和项目的标签信息构建两个二部网络;然后,通过二部网络的表示学习算法得到用户和项目的低维向量表示,用以计算用户之间和项目之间的相似性;最后,改进传统矩阵分解模型,融入低维向量空间中用户的相似关系和项目的相似关系。在GoodBooks和MovieLens数据集上的实验结果表明,与经典的推荐算法相比,联合二部网络表示学习的矩阵分解推荐算法的预测精度有显著提升。
关键词：推荐系统,协同过滤,二部网络,网络表示学习,矩阵分解
基金资助：深圳市创客专项资金计划资助项目(CKCY20180322093215776);安徽省高校自然科学研究重点资助项目(KJ2019A0037);安徽大学博士科研启动资助项目(Y040418194)。
