近日,由我院完成的核化深度学习理论的研究成果“基于显性和隐性信息的矩阵分解推荐系统的核化深度学习方法”被人工智能领域顶级刊物TNNLS录用并在线出版。传统的矩阵因子分解方法将项目和用户潜在因子采用相同维度向量进行表征,并用线性点积来预测评分,导致预测准确性低。本成果提出一种核化的深度神经网络推荐模型,首先将显示的用户与项目评分矩阵按照项目向量的形式进行自动编码,然后通过核化网络映射到更高维度上便于模拟非线性的用户和项目交互。此外,采用关联规则算法挖掘出用户与项目间的隐藏联系,再通过自动编码器和核化网络处理,与显示数据一起连接到多层感知网络中进行迭代训练,最后通过隐藏层数据预测评分。其主要思路如图1和图2所示。实验结果表明,本成果所提出的方法在预测准确度和算法收敛性上均具有更出色的性能。成果论文题目为“Kernelized Deep Learning for Matrix Factorization Recommendation System Using Explicit and Implicit Informationt ”,我院郑孝遥教授为论文第一作者,罗永龙教授为共同作者,安徽师范大学计算机与信息学院为第一完成单位。
图1 核化深度神经网络结构图
图2推荐模型处理步骤
IEEE TNNLS (IEEE Transactions on Neural Networks and Learning Systems)是人工智能领域国际顶级期刊,2021年影响因子14.255,中国科学院一区TOP期刊,中国计算机学会(CCF)推荐期刊,其涉及范围涵盖了机器学习、人工智能、控制论、工程技术、神经网络、复杂系统等方面,在人工智能领域享有举足轻重的影响力。