摘要
深度学习和知识图谱的结合在推荐领域受到广泛关注,然而部分模型输入向量较为稀疏,不仅增加了整个模型的训练难度,还容易导致模型陷入局部最优;此外,大多推荐模型并未充分挖掘用户和物品的特征交互,使得用户和物品的向量表示不准确,影响最终的推荐模型性能.基于此,本文提出一种基于KCNN和MKR的两阶段深度学习多任务推荐模型TMR.首先,利用文本卷积网络,提取物品名称的特征,将其转化为稠密向量,再结合物品自身属性,作为物品特征向量的初始化表示;其次,采用交替训练的方式,获取知识图谱中的辅助信息,再以DeepFM为特征提取层,挖掘用户(user)和物品(item)的特征交互.实验结果表明:与当前主流推荐方法相比,TMR模型在准确度等评价指标上有很好的表现,提高了推荐系统的性能.
基金项目
国家自然科学基金(61873280)
河北省自然科学基金青年基金(F2018511002)
中央司法警官学院校级科研项目(XYZ201602)
河北省高等学校科学技术研究项目(Z2019037)
国家科技期刊平台
NSTL
维普
万方数据