摘要
针对概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型仅利用用户对象历史行为数据进行预测估计导致估计值准确率不高的缺点,提出一种基于深度学习的cnnPMF算法。新的算法先通过卷积神经网络(Convolutional Neural Networks,CNN)对用户与对象的边信息进行特征提取,其次根据提取出来的特征向量与用户对象的历史行为数据进行融合,最后利用融合后的数据采用概论矩阵分解模型进行预测估计。仿真结果表明,与经典的PMF算法相比,cnnPMF算法在估计值的准确率方面具有明显优势。
The Probabilistic Matrix Factorization(PMF) model only uses the historical behavior data of user objects for prediction and estimation,which leads to low accuracy of estimates.In this paper,a deep learning-based cnnPMF algorithm is proposed.The new algorithm firstly extracts features from the side information of the user and the object through Convolutional Neural Networks(CNN),and then fuses the extracted feature vector with the historical behavior data of the user object.Finally,using the fused data,the introduction matrix decomposition model is used for prediction and estimation.The simulation results show that the cnnPMF algorithm has obvious advantages in the accuracy of estimation compared with the classical PMF algorithm.
作者
徐云剑
郭艾寅
XU Yunjian;GUO Aiyin(Guangdong AIB Polytechnic,Guangzhou 510507,China)
出处
《智能物联技术》
2024年第1期37-40,共4页
Technology of Io T& AI
基金
广东省教育厅普通高校重点领域专项(高端装备制造)项目(2023ZDZX3069)
广东省教育厅普通高校重点领域专项(科技服务乡村振兴)项目(2021ZDZX4071)
教育部科技发展中心产学研创新基金项目(2021ALA02023)
广东省高等职业院校机电类教学指导委员会教学改革研究与实践项目(GDJDJZW202302)
广州市2022年度基础研究计划基础与应用基础研究项目(202201011707)。
关键词
深度学习
概率矩阵分解模型
边信息
最大后验估计
deep learning
probabilistic matrix factorization model
side information
maximum a posterior
