基于深度学习和矩阵分解的推荐算法

来源：计算机技术与发展杂志2021年第07期北京时间：

作者：张玉瑶;程学林;尹天鹤

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。

关键词：深度学习;矩阵分解;电影推荐;多层感知机;长短期记忆网络