关键词：论文发表，学术论文，著作出版，文史艺术论文发表

 

本站在期刊投稿行业10余年，200000稿件作者放心的选择，1000多家省级、国家级、核心杂志社长期合作。省级、国家级、核心杂志社长期合作。24小时服务电话：400-811-9516

 

摘要：为了进一步解决信息数量规模下推荐系统的选择，提出了一种基于深度学习的推荐系统协同双向约束算法。在分析深度协同双向约束算法的基础上，给出了具体的计算流程。研究结果表明：利用自编码器构建交互式混合推荐算法可以获得更大的Ｒ，达到了最优异表现性能。通过自编码器构建的交互式混合推荐算法除了能够满足推荐性能以外还表现出了优异鲁棒性。使用ＤＣＢＣＡ方法后，为用户提供长期推荐的过程中能够显著提升物品好评度。ＤＣＢＣＡ可以优化用户对推荐物品作出的评分，使物品获得更高好评度。采用深度协同双向约束算法可以改善推荐效果，除了可以提升用户对推荐物品产生更高的好评度以外，还可以利用交互过程来避免出现冷启动的情况。

 

关键词：深度学习；推荐系统；ＤＣＢＣＡ；召回率；好评度

 

在当前信息数量规模呈现爆发式增长的情况下，如果只采用由单一因素构成的推荐系统进行分析时将难以适应人们对于实际需求的变化，因此无法通过此类推荐系统获得合适的推荐结果，从而极大增加了选择的难度［１－５］。为有效提升推荐效率，应综合考虑多个方面的各类影响因素，实现精度的大幅提升以及全面优化各项评价指标［６］。以上各项信息由多个异构数据共同构成，在这种情况下使用深度学习方法能够高效提取各类异构数据的低维特征，从中挖掘实际有用的信息，之后再把此类信息融合到传统推荐系统内，之后再处理以传统算法无法处理的内容，显著改善推荐效果［７－９］。综合运用深度学习方法和传统算法能够进一步增强推荐系统运算效能。其中，深度学习方法能够实现对数据深层次特征的精确分析与提取［１０－１２］。采用栈式降噪编码器可以提取得到一些隐藏的信息数据，不过该方法只是单一进行特征参数提取，而没有充分体现物品各项隐藏特征的相互效果，以上述机械相加的模式并不能获得更优的综合效果，导致融合算法效能受到限制［１２－１３］。采用交互方式可以使辅助信息达到更高的利用率，由此构建更加完善的评分矩阵，同时设置了评分优化权重，显著提高物品推荐能力［１４－１６］。对此算法进行测试发现，可以显著克服用户与物品发生冷启动的情况，从而减小了拟合误差，使推荐物品获得更高好评度。

 

１算法

 

１．１深度协同双向约束算法

 

深度协同双向约束算法（ＤＣＢＣＡ）将评分优化权重加入通过自编码器构建的交互式混合推荐算法，根据评分优化权重对推荐物品实施好评度优化，通过自编码器构建的交互式混合算法时能够克服数据稀疏以及避免冷启动过程。此算法可以协调优化物品与用户的匹配性，使推荐系统发挥更高的效能。１．２工作步骤ＤＣＢＣＡ在运行阶段包含了以下各步骤。（１）首先输入用户和物品对应的评分矩阵、评分数据集，完成数据的初始化之后再将其输入至各模块。（２）以交互模式训练自动编码器与各矩阵的分解模块。（３）在评分数据集Ｅ上优化各项模块参数。（４）更新所有隐藏特征，同时建立评分重组矩阵。（５）通过评分优化模块对推荐列表实施优化。（６）将得到的推荐列表结果进行输出。以ＤＣＢＣＡ进行电影推荐的具体流程，如图２所示。利用数据集逐层训练ＳＤＡＥ网络，同时比较输出层与输入层中包含的数据，并对网络的重构误差进行分析。之后存储经过训练得到的权重以及偏置数据，并重新建立训练得到的网络编码，再输入训练数据并在最底层生成数据低维特征。在优化评分的过程中，应结合用户评分方差对算法实施调整后以达到评分函数优化的效果，先归一化处理拟合函数输出结果，在此基础上根据该数值的权重排序得到的推荐列表，再把结果推荐给用户，最大程度发挥推荐系统效能。

 

２算法验证

 

２．１数据集

 

本文为算法测试构建了从ＧｒｏｕｐＬｅｎｓ网站下载Ｍｏｖ－ｉｅＬｅｎｓ数据集，此数据集是通过尼苏达大学从ＭｏｖｉｅＬｅｎｓ网站进行收集得到，总共包含了１９２７部电影以及１４１８位用户，各用户都对２０部以上的电影实施评分并对各项结果进行了记录。从不同时间段中爬取得到豆瓣电影评分内容，包含了所有热门电影评分数据，依次爬取用户名称、观看时间、电影名称、评分数值与时间。经过重复操作获得测试数据。

 

２．２测试结果分析

 

根据Ｒ对比测试结果，进行十折交叉验证并计算平均结果，如图３所示。从图３中可以看到以二种算法测试数据集得到的Ｒ值，其中，横轴表示推荐数量，纵轴表示Ｒ。在上述二个算法中通过自编码器实现的交互式混合推荐算法达到了最优异表现性能。同时可以发现，当推荐数量Ｋ增大后，二个算法都提高了召回率Ｒ，对Ｒ进行计算时，保持固定的喜欢物品数，因此当用户推荐数增加后，将以更大概率覆盖用户喜欢物品，显著提高覆盖数量，获得更大的Ｒ值。根据以上分析可知，利用自编码器构建交互式混合推荐算法可以获得更大的Ｒ。对各算法进行测试后发现，当以Ｒ指标进行评价时，利用自编码器构建得到的交互式混合推荐算法与采用自编码器实现的混合推荐算法可以显著提高推荐效能。总共选择二个具有不同稀疏性的数据集进行测试。对于上述二个数据集测试后得到，在自编码器上建立交互混合推荐算法一方面可以获得优异推荐性能，同时还具备明显鲁棒性。

 

３算法测试

 

３．１测试的基体流程

 

在测试阶段应先对各项电影信息进行输入，通过ｋ近邻模式搜索出相似电影，之后通过栈式自编码器完成低维特征的提取，接着通过概率矩阵分解的方式完成数据分析，二个模块之间可以建立信息交互渠道，同时利用两部分对应的占比分析模块应实现的任务方向，从而防止发生冷启动问题，当遇到某一模块出现缺失信息的情况时也可以通过另一模块来达到弥补的效果。利用评分优化算法评价二个模块输出，同时优化推荐列表，最后利用重组矩阵提供推荐信息。对算法进行测试的具体流程，如图４所示。

 

３．２测试结果与分析

 

通过ＤＣＢＣＡ方法为用户提供长久推荐信息，测试得到的结果，如表１所示。ＤＣＢＣＡ依次从物品与用户二个不同层面优化推荐效能。经对比发现，使用ＤＣＢＣＡ方法后，为用户提供长期推荐的过程中能够显著提升物品好评度，此算法可以使平均评分升高０．３，并且获得更加稳定的用户评分。对比各算法的标准差可以发现，本文算法可以显著降低标准差，使用户评分保持更加稳定的状态。由此可以推断，ＤＣＢＣＡ可以优化用户对推荐物品作出的评分，使物品获得更高好评度。ＤＣＢＣＡ依次选择ＭｏｖｉｅＬｅｎｓ与豆瓣电影评分二个数据集对精确度Ｐ与各评价指标实施了测试，比较了该方法得到的测试结果和通过自编码器实现的交互式混合推荐算法之间的差异性，由此得到推荐电影数量依然等于５、１０、１５、２０。各Ｋ值下上述算法形成的Ｆ１值，如表２所示。从表２中可以看到二个算法对数据集进行处理得到的Ｆ１值，之后评价深度协同双向约束算法的性能。根据实际测试结果可知，对于各Ｋ值来说，以本算法进行处理可以获得更小的Ｆ１。可以发现，评分优化算法会对观看较多的电影类型产生弱化的效果，会降低推荐精度，导致Ｆ１值发生改变。通过测试可知，采用深度协同双向约束算法可以改善推荐效果，除了可以提升用户对推荐物品产生更高的好评度以外，还可以利用交互过程来避免出现冷启动的情况。经测试可知深度协同双向约束算法达到了优异鲁棒性，有效改善了评分效果。

 

４总结

 

（１）利用自编码器方式构建交互式混合推荐算法使Ｒ达到了最大，从而获得最佳性能。通过自编码器构建的交互式混合推荐算法除了能够满足推荐性能以外还表现出了优异鲁棒性。（２）使用ＤＣＢＣＡ方法后，为用户提供长期推荐的过程中能够显著提升物品好评度。ＤＣＢＣＡ可以优化用户对推荐物品作出的评分，使物品获得更高好评度。采用深度协同双向约束算法可以改善推荐效果，除了可以提升用户对推荐物品产生更高的好评度以外，还可以利用交互过程来避免出现冷启动的情况。

 

作者：王世杰 高鑫 许舒翔 单位：国家电网公司西北分部 国电南瑞科技股份有限公司

 

本文章来源于知网、维普、万方、龙源、中国期刊网等检索数据库。本文献已经发表见刊，版权属于原作者和检索平台，如需删除请联系本站站长。