R-HDTF:一种基于ranking的深度张量分解群组推荐算法

需积分: 17 1 下载量 171 浏览量 更新于2024-08-13 收藏 1.69MB PDF 举报
"基于ranking的深度张量分解群组推荐算法是针对群组推荐领域的一种新方法,旨在解决用户偏好建模时忽视群组和个人偏好交互影响及初始化问题。该算法由杨丽、王时绘和朱博等人提出,通过深度学习和张量分解技术改进了群组推荐的准确性。" 基于ranking的深度张量分解群组推荐算法(R-HDTF)的核心思想是融合深度学习和张量分解技术,以更好地捕捉群组推荐中的复杂关系。在群组推荐中,用户的行为不仅仅是个人偏好的简单组合,还涉及到群体决策的影响,因此,建模群组偏好时需要考虑这种相互作用。 1. **深度学习初始化**: R-HDTF算法首先利用深度降噪自动编码器(Denoising Autoencoder)构建混合神经网络。这种神经网络能够从噪声数据中学习用户的特征,对群组、个人和项目的初始信息进行有效的表示。通过深度学习,可以学习到多层抽象的特征,提高模型对数据的理解和建模能力。 2. **成对张量分解**: 在获取了初始化信息后,算法采用成对张量分解(Paired Tensor Factorization)模型来捕获群组、个人和项目之间的复杂关联。张量分解是一种将多维数据分解为低秩因子的方法,能揭示数据中的潜在结构。成对张量分解允许算法同时考虑不同维度间的交互,从而更好地理解和预测群组决策。 3. **基于BPR的优化**: 最后,为了优化模型,R-HDTF算法采用了基于成对排序学习(Bayesian Personalized Ranking, BPR)的标准来调整张量分解的损失函数。BPR方法通过最大化正样本对负样本的排名优势来学习模型参数,这有助于提升推荐的准确性和多样性,因为它鼓励推荐那些用户更可能感兴趣的项目,而不是那些他们已经知道或不感兴趣的选择。 实验结果显示,R-HDTF算法在真实数据集上表现出优于传统群组推荐算法的性能,这证明了其对群组和个人偏好交互建模的有效性。通过结合深度学习的表示能力和张量分解的结构发现能力,R-HDTF为群组推荐提供了一种更为全面且精确的方法。 关键词:推荐算法 | 群组 | 深度学习 | 张量分解 此研究得到了国家自然科学基金的支持,并由湖北大学计算机与信息工程学院和中国船舶重工集团公司第709研究所的研究人员共同完成。该工作对理解群组推荐的内在机制以及开发更有效的推荐系统具有重要意义。