基于聯(lián)合神經(jīng)網(wǎng)絡(luò)的電影個(gè)性化推薦算法
關(guān)鍵詞：個(gè)性化推薦 顯式信息 隱式信息 神經(jīng)網(wǎng)絡(luò) 評(píng)分預(yù)測(cè)模型
摘要：隨著人工智能的發(fā)展,深度學(xué)習(xí)技術(shù)開(kāi)始被廣泛應(yīng)用在個(gè)性化推薦業(yè)務(wù)上。本文在用戶基本信息、電影元信息的基礎(chǔ)上,融合點(diǎn)評(píng)文本、用戶興趣度的瀏覽行為、電影海報(bào)等多源信息,建立了一個(gè)基于聯(lián)合神經(jīng)網(wǎng)絡(luò)的用戶評(píng)分預(yù)測(cè)模型,并通過(guò)Adam優(yōu)化方法擬合預(yù)測(cè)評(píng)分矩陣和真實(shí)評(píng)分矩陣,最后結(jié)合海報(bào)的相似度對(duì)候選推薦集中的電影做一個(gè)簡(jiǎn)單的分類(lèi),生成相似度最高的Top-N推薦列表。實(shí)驗(yàn)結(jié)果表明,該模型預(yù)測(cè)評(píng)分的準(zhǔn)確率較ConvMF提高了0.06%,列表排序的平均準(zhǔn)確率達(dá)到72%,推薦結(jié)果的平均綜合指標(biāo)達(dá)到0.85,用戶滿意度較高。
現(xiàn)代電影技術(shù)雜志要求:
{1}論文所涉及的課題凡取得國(guó)家或部、省級(jí)以上基金資助或?qū)俟リP(guān)項(xiàng)目者，請(qǐng)予以說(shuō)明。
{2}來(lái)稿務(wù)求論點(diǎn)明確、論據(jù)充分、數(shù)據(jù)可靠、邏輯嚴(yán)密、層次分明、文字精煉。
{3}文章標(biāo)題用三號(hào)黑體，二級(jí)標(biāo)題用四號(hào)黑體，三級(jí)標(biāo)題用小四號(hào)黑體。級(jí)次一般 用一、二、三，(一)(二)(三),1. 2. 3. (1)(2)(3)。序數(shù)中文序號(hào)用頓號(hào)，阿拉伯?dāng)?shù)字用下 標(biāo)圓點(diǎn)分開(kāi)。
{4}關(guān)鍵詞每篇文章可選用3～5個(gè)能反映文章主題概念的詞、詞組或術(shù)語(yǔ)。
{5}所有作者的簡(jiǎn)介，格式為：姓名（出生年份-），性別，籍貫，職稱職務(wù)，從事的工作或研究。
注：因版權(quán)方要求，不能公開(kāi)全文，如需全文，請(qǐng)咨詢雜志社
