论文描述:
*由于深度学习强大的表示学习能力,许多推荐系统通过融合深度学习算法与传统的矩阵分解模型,得到比较好的推荐性能。最近一些研究通过神经网络以深入表示商品的内容信息,并通过生成更准确的商品潜在模型使得推荐系统得到进一步的提升。但是这些模型并未充分利用用户和商品的文本信息。
*在本文中,我们提出了使用深度神经网络的双向正则化矩阵分解模型(dual-regularized matrix factorization with deep neural networks, DRMF)来进一步充分利用用户和商品的描述性文本信息。DRMF采用叠加卷积神经网络和门控循环神经网络,生成用户和商品内容的独立分布表示。然后,将该表示用于规范矩阵分解中的用户和商品的潜在模型的生成。最后,我们提出了一种新的优化算法学习DPMF中的所有参数。
参考文献:
Wu H, Zhang Z, Yue K, et al. Dual-regularized matrix factorization with deep neural networks for recommender systems[J]. Knowledge-Based Systems, 2018, 145: 46-58.