融合评分和社会化标签的两阶段深度推荐方法

来源：计算机应用研究杂志2021年第10期北京时间：

作者：张会月,张红宇,

单位：中南大学商学院,长沙410083；

摘要：当前融合评分和标签的推荐方法对两种数据的挖掘程度有限，且大多数局限在提取浅层的线性特征层面。深度学习技术被成功应用于推荐方法，然而数据的稀疏性导致学习的潜在特征效果不好，因此，提出一种融合评分和社会化标签的两阶段深度推荐方法。首先，利用堆叠降噪自编码器分别从评分和社会化标签中提取用户、项目的潜在特征；其次，将学习的潜在特征进行拼接作为用户、项目完整的潜在特征，并与原始评分相结合构建监督学习数据集；最后，将构建的数据集作为BP神经网络的输入以训练评分预测模型。为降低训练误差，通过联合训练的方式进行参数学习。基于MovieLens、Last.FM数据集的实验表明，该方法与几种基准方法相比有更好的推荐性能。

关键词：推荐方法,堆叠降噪自编码器,BP神经网络,深度学习,社会化标签,

基金资助：国家自然科学基金资助项目(71971221)；；