基于神经因子分解机的推荐多样性提升方法

神经因子分解机模型很好的解决了数据稀疏场景下的点击率预测问题,但仅仅关注于预测准确性导致该模型的推荐多样性效果不佳。针对上述问题,提出一种基于神经因子分解机的推荐多样性提升方法。方法通过用户-项目的交互历史构建多样性输入矩阵,利用用户活跃度和项目流行度对多样性输入矩阵进行修正,并以不同方案将多样性输入矩阵融入神经因子分解机模型,以此作为附加信息源来增强神经因子分解机模型的多样性表达能力。实验结果表明,在MovieLens、Film Trust及Book-Crossing三种稀疏程度不同的数据集上,所提出的方法均能在推荐准确性小幅度损失的情况下,较大幅度的提升推荐列表的多样性。

神经因子分解机推荐模型改进研究

因子分解机对特征各维度之间的一阶线性关系和二阶线性关系建模,在推荐系统中已有较多应用。神经因子分解机模型(NFM)是因子分解机与神经网络的结合模型,它能捕获特征之间的高阶交互信息,使得模型预测效果更佳。但由于神经因子分解机模型一般都是采用全连接的前馈神经网络,使得整个推荐网络过于复杂,存在过拟合风险。为了降低神经因子分解机模型的整体复杂度,提高推荐模型的泛化性能,提出一种基于交叉网络的因子分解机模型(CFM),降低模型复杂度,提高模型泛化性能。实验表明,该模型在数据集上的预测准确度为77%左右,相比NFM预测准确度提高了约2%,整体模型泛化性能也有所提高。