基于卷积神经网络的推荐算法
论文信息:华南理工大学 吴浠 16年硕毕论
目的:将卷积神经网络应用到推荐系统,缩短训练时间。
为此工作:
1)对比分析了当前广泛应用于推荐系统中的各个算法,包括基于内容的推荐,协同过滤推荐,基于知识的推荐,混合推荐。
2)将卷积神经网络应用到推荐系统中,实现了基于卷积神经网络的推荐算法。
3)在 Matlab 中实现了基于卷积神经网络的推荐算法,利用 Movie Lens-1M 公开数据集进行实验,并与传统的推荐算法做了比较,在实验中取得了不错的效果。
备注(参考文献13中):将我们在日常生活中常接触到的的推荐系统做了全方位的比较,在比较推荐系统的同时,还比较了推荐算法这个最核心部分的性能,并对如何评定算法的性能做了总结[13]。
内容一(传统算法优缺点) :
推荐算法一般模型:
1,基于内容的推荐算法:
把用户对文档分为喜欢和不喜欢两类,则可以把推荐算法转化为分类算法,用机器学习中的朴素贝叶斯、决策树、Rocchio 算法、线性分类算法等来做推荐。
优点:用户之间是独立的,互不影响;新的物品加入时不会有冷启动的问题。
缺点:冷启动;文档的特征抽取难度较大;无法挖掘出用户的潜在兴趣,只能推荐和他喜欢的类似的东西。
2,基于协同过滤的推荐算法:
优点:容易发现新兴趣、不需要特定领域的专业知识、推荐自动化程度高、时间越长并且数据量越大效果越好。
缺点:用户或者商品过多时会导致矩阵稀疏、冷启动等问题。
3,基于知识的推荐:
4,混合推荐
内容二:用于推荐系统的神经网络
背景知识1:神经网络单个神经元结构: