基于深度神经网络的个性化混合商品推荐模型①

倪美玉,曹为刚

(浙江科贸职业技术学院,金华 321019)

随着信息技术和互联网技术的飞速发展,数据规模急剧增加,信息过载严重,推荐系统是解决问题重要技术手段[1,2].当前,在各大电商平台中推荐系统中推荐算法的好坏对电子商务发展有着十分深远的影响.个性化推荐是根据用户的需求,从海量信息中挖掘出用户感兴趣的商品或服务,并按照评分预测结果进行个性化展示.推荐算法是个性化推荐的核心,直接决定了推荐系统的推荐性能,成为当前研究的热点问题[3,4].

协同过滤是目前个性化推荐系统普遍采用的技术,其基本思想是利用过去具有相同兴趣的用户会在未来选择相似的商品.典型的协同过滤类算法是基于矩阵分解的协同过滤推荐模型,该模型首先分别表征用户和商品特征,然后借助用户和商品特征向量的点积预测评分矩阵,具有较好的推荐性能,但评分数据稀疏性问题一直制约传统协同过滤的瓶颈[5].深度学习技术近年来被用于解决个性化商品推荐问题,基于深度学习的混合推荐模型被相继提出,例如DeepCoNN[6]、DLALSTM[7]、NARRE[8]等.这些模型均是首先利用深度学习技术将用户对商品的评论数据变换到隐空间,得出评分矩阵后再利用传统推荐模型完成个性化推荐,但静态词向量编码影响了评分矩阵估计性能,降低了推荐系统的准确性.

本文提出了一种基于深度神经网络和动态协同滤波的混合个性化商品推荐模型……