融合注意力机制与场感知因子分解机的电影推荐

融合注意力机制与场感知因子分解机的电影推荐;协同过;混合推荐由协同过滤推荐以及基于Youubc提出一种基于深度神经网CAFFM）推荐模型框架设计基于卷积神经网络的特征提取使用卷积神经网络对演员信息进行提取。relu其定义为：44来的模型输入。融合注意力机制的场感知因子分解机（Field-awareFactorizationFFM模型具有强大的泛化能力，并能很好地利用上下文信息，其定义如公式（2）所示。形式，即：（Attention被广泛应用于自然语言处理、并获取更多所需关注目标的细节信息，同时抑制其它无用信息。融人注意力因子的场感知因子分解机公式如下：其中，a_i、a_i，j的值可以解释为后面所乘项在目标预测中的重要性。对于训练数据中从未出现过的特征，无法估计其注意力值。为解决一般化问题，本文进一步使用多层感知器（MLP）对注意力值进行参数化，形成一个注意力网络。定义为：Relusoftmax函数进行归一化，归一化过程如式（、式（）所示。模型框架与损失函数2损失函数取最小评分误差，即：其中L（x）为模型损失值，y是用户对电影的实际评分，R（x）dropout与正则化两种技术，正则化系数在式（8）中表现为入（过拟合惩罚因子，2范数，作为过拟合惩罚项。t的思想是在小化，本文采取随机梯度下降算法，通过最小化损失函实验与结果分析实验环境与数据集WindowsCorei5-7400，编程代码为Python3.6。深度学习计算框架为TensorFlow1.21。movielenslM6040名用户对3953部电影的***-*****7少有1个。该数据集的稀疏度为1-***-*****/（6040x3953）≈0.958110份，其9份用于测试，以确保在每次测试中，数据参10次，取平均值作机性较强。评价指标与对比模型此次实验选用的评价指标为目前比较流行的用于衡量推荐系统性能的指标均方根误（tne，对于有限的数据测试集，用户对电影的实际评分集合为Y={Y₁ ， Y₂ 预測评分集合R={r₁，r₂，r₃…r_n}，则有：3RMSE符合随机梯度下降法。RMSE的值越小，表明模型效果越好。5分预测（G、基于用户的平均得分预测（G、基于N的协同过滤（F、基于标签改进的协同过滤（、非负矩阵分解（。item-AVG：基于内容的平均得分预测，根据项目信user-AVG：基于用戶的平均得分预测，根据用户历史行为记录进行相似性计算，也是推荐系统中的经典算法之一。kNN-CF需对数据进行聚类。NMF后两个非负矩阵相乘进行评分预测。lCAFFM模型与基于平均分进行预item-AVGuser-AVG18.0%与11.3%，两种模型都未利用大量特征;kNN-CF模型相比，提升了与机ITCF25.7%;与当前较为流行的矩阵分解NMF6.8%。实验结果表明，本文模型与以上5个模型相比，RMSE均有所提升，证明了模型的有效性与可行性。模型超参数对模型的影响batch_size影响况下，通过调整batch_size的大小对实验结果进行对比。batchsize2所示，其中时间取整。从表2e对模型的E存在一定影响，batch_size的改变，RMSE的变化则不明显;batch_size对于训练时长存在明显影响，随着batch_size