基于卷积神经网络的推荐算法

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：