基于深度学习和Stacking集成策略的混合推荐算法研究

• 作 者: 庞善天
• 出 处: 桂林理工大学
• 发表日期: 2020年01期
• 关键词: 混合推荐 深度学习 Stacking集成策略 协同过滤 基于内容

推荐技术能够在用户缺乏确切的需求时,通过对用户以往的选购行为进行分析,创建用户喜好模型,挖掘物品的长尾,更好地给用户选出那些他们有兴趣但很难发现的物品,提高选购效率。由于深度学习和移动互联网计算技术的快速发展,网络中所存储的信息和数据已经呈指数性的增长。尽管用户产生的数据能够有助于推荐技术得到更有价值的信息,从而大大提升推荐算法的预测效果,但过多用户随意创建的标签数据会使推荐技术面临着数据的稀疏性、可扩展、冷启动、准确性、有效特征抽取困难等问题,导致用户的体验较差,推荐准确度也较低。本文分析了基于内容的推荐算法,概率矩阵分解和基于用户的推荐算法。在传统的推荐算法中,用户在项目上的评分矩阵越来越稀疏。协同过滤方法是应用范围最为广泛的推荐技术,采用简单的内积交互模型,只考虑单一的评分信息,存在冷启动问题并且无法学习到用户和项目之间错综复杂的非线性关系。然而基于内容的推荐算法具有个性化的优势,只能推荐出与用户过去浏览相似的物品,并遭遇有效特征提取的困难。而深度学习模型的特性可以学习到更复杂的结构,因此将深度学习技术与推荐算法融合解决上述问题成为了新的发展趋势。针对这一问题,提出一种基于深度学习和Stacking集成策略的混合推荐模型。利用Stacking集成策略对基于用户、概率矩阵分解、基于内容的推荐算法进行先融合,对多个模型的输出结果进行泛化,使各个算法之间可以优劣互补,突破单模型的瓶颈,从而达到更加出色的推荐性能。再基于融合后的模型通过深度学习技术捕获用户和项目之间更深层次和抽象的非线性交互关系,缓解数据的稀疏问题,使模型性能得到更进一步的攀升。使用Python编程,对算法进行验证。在MovieLens-100k、Movie Lens-1m和Pinterest数据集上与基于用户、概率矩阵分解和基于内容的传统推荐算法进行实验对比,结果表明所提出的混合推荐模型在测试数据集上的评分预测准确性有显著提升。