融合特征信息的混合推荐模型

李增晖

摘要：传统的矩阵分解模型仅通过用户-项目的评分矩阵来对用户进行项目推荐，由于未能使用用户与项目的特征信息从而造成了信息損失，使得模型的评分预测误差较大。为了更加充分地满足个性化推荐的需求，利用因子分解机以及深度神经网络改进传统的矩阵分解模型，融入用户与项目的特征信息。对改进后的模型在数据集MovieLens-1M上检验模型的效果，采用RMSE作为评估指标，实验发现改进后模型的RMSE值降低，模型的评分预测误差减小，评分预测结果更加准确。

关键词： 矩阵分解;因子分解机;深度学习;推荐模型

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2021）25-0017-03

Abstract：The traditional matrix factorization model only uses the user-item rating matrix to recommend items to users.The failure to use the feature information of users and items causes information loss， which makes the model's rating prediction error larger.In order to more fully meet the needs of personalized recommendation， the factorization machine and deep neural network are used to improve the traditional matrix factorization model and incorporate the characteristic information of users and items.To test the effect of the improved model on the data set MovieLens-1M， using RMSE as the evaluation index， the experiment found that the RMSE value of the improved model is reduced， the models scoring prediction error is reduced， and the scoring prediction result is more accurate.

Key words：matrix factorization;factorization machine;deep learning;recommendation model

随着科技的不断发展，数据的产生呈现几何倍数式的增长。数据的增加是信息技术发展的必然趋势，但是如此海量的数据已经远远超于个人或者系统所能有效利用的范围，造成了信息过载的问题。而推荐算法是目前解决该问题的有效方案之一。

传统推荐算法包括基于内容推荐算法、协同过滤推荐算法和混合推荐算法。随着数据的迅猛增长以及使用场景的多种多样，传统的推荐算法遇到了冷启动、稀疏矩阵等挑战[1]。

近年来，深度学习在图像处理及语音识别等人工智能领域上的表现十分出色[2]，使得许多学者开始尝试将深度学习与推荐算法领域进行结合。张[3]等人称在推荐系统中使用深度学习技术可以提高推荐质量。与传统推荐体系结构相比[4]，深度学习技术为推荐模型提供了更好的用户与项目的交互表示[5]，同时有助于挖掘用户的兴趣偏好。……