山东大学学报(工学版)

作者：陈德蕾, 王成, 陈建伟, 吴以茵

单位：1. 华侨大学计算机科学与技术学院, 福建 厦门 361021；2. 圣地亚哥州立大学数学与统计学院, 加利福尼亚州 圣地亚哥 92182

关键词：协同过滤,门控循环单元,主动学习,深度学习,时序化数据,

基金：福建省引导性科技计划资助项目(2017H01010065)

针对传统协同过滤推荐算法存在无法反映用户短时兴趣的问题,提出一种基于门控循环单元(gated recurrent unit, GRU)神经网络与主动学习的协同过滤推荐算法。在采用GRU神经网络的基础上,将数据进行时序化处理,反映用户兴趣变化,并利用主动学习动态采样数据中的高质量的数据进行GRU神经网络的训练,使模型快速建立。在MovieLens1M数据集上的试验结果表明:加入主动学习的GRU模型的推荐算法比基于用户的协同过滤推荐算法(user-based collaborative filtering, UCF)、基于马尔科夫模型的协同过滤推荐算法(markov chain, MC)、基于隐语义模型的协同过滤推荐算法(latent factor model, LFM)算法有更高的短时预测率、召回率、项目覆盖率以及用户覆盖数,能够有效预测用户短时兴趣,提升精度,发掘长尾物品,且与原始GRU模型相比能够以更少的迭代次数达到相同效果。

来源：2020年第1期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2020年第1期