基于门控循环单元与主动学习的协同过滤推荐算法

陈德蕾¹(),王成^1,*(),陈建伟²,吴以茵¹

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

收稿日期:2019-01-03出版日期:2020-02-20发布日期:2020-02-14
通讯作者:王成E-mail:18013083003@hqu.edu.cn;wangcheng@hqu.edu.cn
作者简介:陈德蕾(1993-),男,浙江温州人,硕士研究生,主要研究方向为机器学习和数据挖掘. E-mail:18013083003@hqu.edu.cn
基金资助:福建省引导性科技计划资助项目(2017H01010065)

GRU-based collaborative filtering recommendation algorithm with active learning

Delei CHEN¹(),Cheng WANG^1,*(),Jianwei CHEN²,Yiyin WU¹

1. College of Computer Science and Technology, Huaqiao University, Xiamen 361021, Fujian, China
2. Department of Mathematics and Statistics, San Diego State University, San Diego 92182, CA, USA

Received:2019-01-03Online:2020-02-20Published:2020-02-14
Contact:Cheng WANG E-mail:18013083003@hqu.edu.cn;wangcheng@hqu.edu.cn

Supported by:福建省引导性科技计划资助项目(2017H01010065)

摘要/Abstract

摘要： 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。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1890