融入深度自编码器与网络表示学习的社交网络信息推荐模型
【摘要】 近年来，使用深度学习技术与用户信任信息进行推荐的系统已成为学术界的研究热点之一，但要为推荐系统建立结合了这两者的模型仍是目前学界面临的重要挑战之一。文中提出了一种通过构建联合优化函数来扩展深度自解码器和Top-k语义社交网络信息的混合模型。基于网络表示学习法进行隐性语义信息采集，并使用多个真实社交网络数据集进行实验，通过多种方法评估所述AE-NRL模型（Autoencoder-NetworkRepresentationLearningModel）的性能。实验结果表明，所提模型在更稀疏且体量更大的数据集中比矩阵分解法具有更优的性能；相比显性信任链接，隐性且可靠的社交网络信息可更好地识别用户间的信任关系；在网络表示学习技术中，基于深度学习的模型（SDNE和DNGR）在AE-NRL模型中的效果更好。
