基于深度學(xué)習(xí)的神經(jīng)協(xié)同過(guò)濾推薦系統(tǒng)

　　推薦系統(tǒng)是解決信息過(guò)載問(wèn)題的核心?，F(xiàn)有的推薦框架硏究面臨著顯弌反饋數(shù)據(jù)稀疏和數(shù)據(jù)預(yù)處理難等問(wèn)題，特別是對(duì)新用戶(hù)和新項(xiàng)目進(jìn)行推薦的性能有待進(jìn)一步提高。隨著深度學(xué)習(xí)的推進(jìn)，基于深度學(xué)習(xí)的推薦成為了當(dāng)前的研究熱點(diǎn)，大量的實(shí)驗(yàn)證明了深度學(xué)習(xí)運(yùn)用于推薦系統(tǒng)的有效性。文中在NCF的基礎(chǔ)上提出了 EANCE（ Neural Collaborative Filteringbased on enhanced- Attention Mechanism），從隱式反饋數(shù)據(jù)的角度研究了推薦框架，利用最大池化、局部推理以及組合多種不同數(shù)據(jù)融合方式來(lái)考慮數(shù)據(jù)特征提取;同時(shí)，引入注意力機(jī)制來(lái)為網(wǎng)絡(luò)合理地分配權(quán)重值，減少信息的損失，提升推薦的性能。最后，基于兩個(gè)大型真實(shí)數(shù)據(jù)集 Movielens-lm和 Interest-20對(duì) EANCE、NCF和部分經(jīng)典算法做了對(duì)比實(shí)驗(yàn)，并且詳細(xì)地給出了 EANCF框架的訓(xùn)練過(guò)程。實(shí)驗(yàn)結(jié)果表明， EANCF框架確實(shí)具有較好的推薦性能，相比于NCF框架在HR⑧10和NCG@10上均有顯著提升，HR@10最高提升了3.53%，NDCG@10最高提升了2.47%。