基于CNN和关联规则的协同过滤混合推荐
黄甫
李涛
谢君臣
武汉科技大学计算机科学与技术学院 武汉 430065
摘要：针对传统协同过滤算法在药品推荐领域中对用户评价过于依赖、数据稀疏性严重等问题,提出一种基于卷积神经网络(CNN)和关联规则的协同过滤混合推荐算法.首先利用CNN从药品文本数据中获取深层功效特征向量,然后使用Apriori算法发掘药品间的关联规则.在此基础上,从药品功效特征和关联性两个角度结合对应的相似度计算公式计算药品相似度,进而预测评分缺失值,最终对稀疏矩阵进行叠加填充实现药品推荐的优化.经试验对比,论文算法相比传统的协同过滤算法在MAE和RMSE指标上下降了3%～4%,在数据较稀疏的情况下具有良好的推荐效果.
关键词：卷积神经网络关联规则协同过滤功效特征数据稀疏性
分类号：TP391(计算技术、计算机技术)
资助基金：国家自然科学基金(61702383)湖北省教育厅重大项目(17ZD014)
论文发表日期：2024-03-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 681-687 )
英文信息