基于LSTM与深度矩阵分解的推荐融合模型

作     者：丁伟健 卢敏 杨忠明 陈丽萍 DING Weijian;LU Min;YANG Zhongming;CHEN Liping

作者机构：江西理工大学理学院江西赣州341000 嘉兴南湖学院图书馆浙江嘉兴314001 浙江省医学电子与数字健康重点实验室浙江嘉兴314000 

出 版 物：《软件导刊》 (Software Guide)

年 卷 期：2024年第23卷第9期

页      面：41-47页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(U19B2015) 

主　　题：推荐融合 广义矩阵分解 多层感知机 跳跃连接 长短期记忆网络 

摘      要：针对现实推荐场景中多数推荐算法忽略用户偏好动态变化的时效因素,导致模型性能受限的问题,提出一种基于LSTM和深度矩阵分解的推荐融合模型LFDMF。该模型通过广义矩阵分解学习用户和项目间非线性低阶特征,运用多层感知机学习用户和项目间非线性高阶特征,获取用户长期动态偏好,利用LSTM对时间序列的强拟合能力,获取用户短期动态偏好。为验证LFDMF模型的有效性和可行性,在公开数据集MovieLens-1M和Pinterest上进行对比实验。仿真实验表明,LFDMF模型的HR@10和NDCG@10指标相比传统MF算法分别提升了0.1034和0.1322、0.1181和0.1018;相比DMF模型分别提升了0.0228和0.0323、0.0169和0.0135,推荐性能显著提升。