周思鸣, 毕忠勤, 李永斌

(上海电力大学 计算机科学与技术学院, 上海 200090)

推荐系统在电子商务平台中发挥着极其重要的作用,因为它能帮助平台向用户推广广告和产品,带来巨大的商业效益[1]。目前,协同过滤是应用最广泛的商业推荐算法。该算法通过学习已有的商品用户评价建立评价矩阵,预测未评分商品的用户评价[2]。随着大数据时代的到来,用户和产品的数量都在飙升。大多数产品只被一小部分用户评价过。因此,评价矩阵的稀疏性严重影响了推荐结果的质量[3]。

为了提高推荐结果的准确率,本文利用基于贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)和栈式降噪自编码器(Stack Denoising Auto-Encoder,SDAE)的深度学习网络来确定每个商品独有的相关性排序表,提出了一种新的推荐方法。此方法与以前依赖特定上下文信息的方法不同,对每个商品在特征提取步骤中选择SDAE方法。该方法在输入数据中加入噪声,具有较强的泛化能力和鲁棒性[4]。另外,通过对其他商品和自身的相似度排序,可以保证更相似的商品比不相似商品的相似度高,从而解决不平衡问题。

1 模型描述

1.1 模型结构

本文提出的模型融合了SDAE和BPR的优点,形成了一个新的深度学习模型(SDAE-BPR)。首先,通过SDAE对深度网络进行提取,每个条目的评价向量可以得到更复杂的隐藏特征表示。同时噪声的加入也提高了模型的抗干扰性,使得提取的特征更加可靠。其次,最后的BPR排序部分可以更好地捕捉每个商品的独特特征,给出每个商品之间相似度的概率,有效减少数据稀疏性的影响。……