Dual-regularized matrix factorization with deep neural networks for recommender systems
Dual-regularized matrix factorization with deep neural networks for recommender systems
复制标题
用于推荐系统的双正则化矩阵分解与深度神经网络
DOI：
10.1016/j.knosys.2018.01.003
复制
发表时间：
2018-04
影响因子：
8.8
通讯作者：
Liangchen Sun
中科院分区：
文献类型：
--
作者：
Hao Wu;Zhengxin Zhang;Kun Yue;Jun He;Liangchen Sun
在推荐系统中，许多努力已经在利用文本信息的矩阵分解，以减轻数据稀疏的问题。最近，一些工作已经探索了神经网络来深入理解文本项内容，并通过生成更准确的项潜在模型来实现令人印象深刻的有效性。然而，如何在矩阵分解中有效地利用用户和项目的描述文档仍然是一个悬而未决的问题。在本文中，我们提出了使用深度神经网络（DRMF）的双正则矩阵分解来处理这个问题。DRMF采用卷积神经网络和门控递归神经网络叠加的多层神经网络模型，生成用户内容和项目内容的独立分布式表示。然后，表示用于在矩阵分解中正则化用户和项的潜在模型的生成。我们提出了相应的算法学习DRMF中的所有参数。实验结果表明，双向正则化策略显著提高了矩阵分解方法的评分预测准确率和top-n推荐的召回率。此外，作为DRMF的组成部分，新的神经网络模型比单一的卷积神经网络模型工作得更好。
In recommender systems, many efforts have been made on utilizing textual information in matrix factorization to alleviate the problem of data sparsity. Recently, some of the works have explored neural networks to do an in-depth understanding of textual item content and achieved impressive effectiveness by generating more accurate item latent models. Nevertheless, there remains an open issue as how to effectively exploit description documents of both users and items in matrix factorization. In this paper, we proposed dual-regularized matrix factorization with deep neural networks (DRMF) to deal with this issue. DRMF adopts a multilayered neural network model by stacking convolutional neural network and gated recurrent neural network, to generate independent distributed representations of contents of users and items. Then, representations serve to regularize the generation of latent models both for users and items in matrix factorization. We propose the corresponding algorithm for learning all parameters in DRMF. Experimental results proved that the dual-way regularization strategy significantly improves the matrix factorization methods on the accuracy of rating prediction and the recall of top-n recommendations. Also, as the components of DRMF, the new neural network model works better than the single convolutional neural network model.
登录
查看更多内容
DOI：
10.5555/1953048.2078186
发表时间：
2011-02
期刊：
ArXiv
影响因子：
--
作者：
R. Collobert;J. Weston;L. Bottou;Michael Karlen;K. Kavukcuoglu;Pavel P. Kuksa
通讯作者：
R. Collobert;J. Weston;L. Bottou;Michael Karlen;K. Kavukcuoglu;Pavel P. Kuksa
DOI：
10.1016/j.dss.2017.10.002
发表时间：
2017-12
期刊：
Decis. Support Syst.
影响因子：
--
作者：
Qian Zhang;Dianshuang Wu;Jie Lu;Feng Liu;Guangquan Zhang
通讯作者：
Qian Zhang;Dianshuang Wu;Jie Lu;Feng Liu;Guangquan Zhang
DOI：
10.1016/j.knosys.2014.11.026
发表时间：
2015-02
期刊：
Knowl. Based Syst.
影响因子：
--
作者：
Hao Wu;Yijian Pei;Bo Li;Zongzhan Kang;Xiaoxin Liu;Hao Li
通讯作者：
Hao Wu;Yijian Pei;Bo Li;Zongzhan Kang;Xiaoxin Liu;Hao Li
DOI：
10.4018/978-1-7998-1192-3.ch008
发表时间：
2020
期刊：
Advances in Systems Analysis, Software Engineering, and High Performance Computing
影响因子：
--
作者：
Menaga D.;R. S.
通讯作者：
Menaga D.;R. S.
DOI：
10.4018/978-1-5225-9096-5.ch007
发表时间：
2021-07
期刊：
Smart Computational Intelligence in Biomedical and Health Informatics
影响因子：
--
作者：
A. Sinha;S. Gupta;Anurag Tiwari;Amrita Chaturvedi
通讯作者：
A. Sinha;S. Gupta;Anurag Tiwari;Amrita Chaturvedi