convmf代码运行_CNN提取文本特征，融合PMF模型实现推荐系统

原标题：CNN提取文本特征，融合PMF模型实现推荐系统

用户对产品评价数据的稀疏性是影响推荐系统质量的主要因素之一。针对稀疏性问题，提出了几种建议技术，并考虑了辅助信息，提高了评级预测精度。特别是，当评级数据比较稀疏时，基于文档建模的方法通过额外使用文本数据(如评论、摘要或概要)来提高准确性。然而，由于词语袋模型固有的局限性，它们在有效利用文档的上下文信息方面存在困难，导致对文档的理解较浅。

本文提出了一种新的上下文感知推荐模型——卷积矩阵因式分解(convmf)，将卷积神经网络(cnn)与概率矩阵因式分解(pmf)相结合。因此，convmf捕获了文档的上下文信息，进一步提高了评级预测的准确性。我们对三个现实数据集的广泛评估表明，即使在评级数据非常稀疏的情况下，convmf仍显著优于最先进的推荐模型。我们还证明convmf成功地捕获了文档中单词的细微上下文差异。

完整复现源码获取方式：

convmf-左边是convmf的概率图模型，它集成了概率矩阵分解(pmf)模型和卷积神经网络(cnn)模型，右边是cnn模型利用项目描述文档的详细架构。从CNN模型中获得的文档潜在向量被用作项目变量(V)的高斯分布平均值，它在CNN和PMF之间起着重要的桥梁作用，有助于全面分析描述文档和评级。详情请参阅论文http://dl.acm.org/citation.cfm?id=2959165

《深度学习之pytorch》pdf+附书源码返回搜狐，查看更多

责任编辑：