文档名：基于SE模块的神经协同过滤
摘要：基于传统推荐方法对辅助信息利用不足,为优化用户、项目间内在联系挖掘有限等问题,采用将Squeeze-and-ExcitationNetworks结构嵌入神经协同过滤的方法提出SE-NCF模型,利用SE模块学习权重,去除不同特征中权重较低的噪声来实现特征融合,通过神经协同过滤层获得用户-项目间的线性与非线性关系,实现模型优化.通过茶评与Amazon_Food两公开数据集对同类推荐方法进行实验,实验结果表明,相比于原神经协同过滤,SE-NCF模型在两数据集中MSE指标与NDCG指标均得到改善,在茶评数据集下MSE降低10%,NDCG提升5.1%;在Amazon_Food下MSE降低4.3%,NDCG提升9.3%.
Abstract：Basedonthelackofutilizationofauxiliaryinformationintraditionalrecommendationmethods,withthepurposeofoptimizingtheproblemoflimitedminingoftheintrinsicconnectionbetweenusersanditems,theSE-NCFmodelisproposedbyembeddingthestructureofSqueeze-and-ExcitationNetworksintotheneuralcollaborativefilteringmethod,usingtheSEmoduletolearntheweightsandremovethenoisewithlowerweightsindifferentfeaturestoachievefeaturefusionThemodeloptimizationisachievedbyobtaininglinearandnonlinearrelationshipsbetweenusers-itemsthroughtheneuralcollaborativefilteringlayer.Theexperimentalresultsshowthatcomparedwiththeoriginalneuralcollaborativefiltering,theSE-NCFmodelhasimprovedMSEandNDCGindicatorsinbothdatasets,withMSEreducedby10%andNDCGimprovedby5.1%intheteareviewdatasetandMSEreducedby4.3%andNDCGimprovedby9.3%inAmazon_Food.
作者：邵必林 刘铮 孙皓雨 张新生Author：SHAOBilin LIUZheng SUNHaoyu ZHANGXinsheng
作者单位：西安建筑科技大学管理学院,陕西西安710055
刊名：电子设计工程 ISTIC
Journal：ElectronicDesignEngineering
年，卷(期)：2024, 32(14)
分类号：TN919.5
关键词：推荐系统 协同过滤 特征融合 深度学习
Keywords：recommendersystem collaborativefiltering featurefusion deeplearning
机标分类号：TP181TP391.41G250.7
在线出版日期：2024年7月19日
基金项目：陕西省科技计划项目基于SE模块的神经协同过滤[
期刊论文] 电子设计工程--2024, 32(14)邵必林 刘铮 孙皓雨 张新生基于传统推荐方法对辅助信息利用不足,为优化用户、项目间内在联系挖掘有限等问题,采用将Squeeze-and-ExcitationNetworks结构嵌入神经协同过滤的方法提出SE-NCF模型,利用SE模块学习权重,去除不同特征中权重较低的噪声来...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于SE模块的神经协同过滤 Neural collaborative filtering based on SE module
基于SE模块的神经协同过滤.pdf
- 文件大小:
- 1.95 MB
- 下载次数:
- 60
-
高速下载
|
|
