• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文期刊> 《计算机应用》 >增强推荐系统可解释性的深度评论注意力神经网络模型

增强推荐系统可解释性的深度评论注意力神经网络模型

         
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

为了提高推荐系统(RS)的可解释性,打破推荐系统固有的局限性,提升用户对推荐系统的信任度和满意度,提出一种增强可解释性的深度评论注意力神经网络(DRANN)模型。该模型利用用户评论与商品评论中丰富的语义信息,基于文本评论学习用户、物品之间的潜在关系,预测用户兴趣偏好和情感倾向。首先,采用文本卷积神经网络(TextCNN)对词向量作浅层特征抽取;然后,使用注意力机制为评论数据分配权重,过滤无效评论信息,同时构建深度自编码器模块将高维稀疏数据降维,去除干扰信息,学习深层语义表征,增强推荐模型的可解释性;最后,通过预测层得到预测评分。在4个公开数据集(Patio、Automotive、Musical Instrument(M-I)和Beauty)上的实验结果表明,与概率矩阵分解(PMF)模型、奇异值分解++(SVD++)模型、深度协同神经网络(DeepCoNN)模型、树增强嵌入模型(TEM)、DeepCF(Deep Collaborative Filtering)、DER(Dynamic Explainable Recommender)相比,DRANN模型的均方根误差(RMSE)最小,验证了它在提升性能上的有效性以及所采用解释策略的可行性。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号