典型文献
基于时序特征的图卷积协同过滤推荐算法
文献摘要：
基于图卷积神经网络的协同过滤推荐算法框架是目前最先进的推荐算法框架,该框架在用户-项目交互嵌入向量的特征学习中并未关注交互发生的时序性,但实际情况中,用户-项目交互普遍具有明显的时序特征,且是影响推荐性能的重要因素.因此,本文提出一种基于时序特征的图卷积协同过滤推荐算法,重做多个数据集,保留数据集时序特征等原始信息,总结归纳数据集中用户-项目交互的历史时序信息,并对其进行参数化处理,作为重要特征输入到图卷积网络模型训练的高阶协同信号传递中.在3个公开的官方数据集Gowalla,Yelp和Amazon-book上设置多组消融性实验,采用公认的评价指标ndcg和recall对推荐算法性能进行评价,实验结果证明,在同样参数设置下,基于时序特征的图卷积协同过滤推荐算法性能超越了现有同类型图卷积协同过滤推荐算法,验证了时序特征对提升推荐效果的积极作用,提高了模型训练效率和预测命中率,更加高效地解决网络信息过载问题,满足了更高的应用需求.
文献关键词：
推荐算法;图卷积神经网络;协同过滤;时序特征
中图分类号：
作者姓名：
陈一凡;朱民耀;朱晓强;宋海洋;陆小锋
作者机构：
上海大学通信与信息工程学院 上海200444
文献出处：
引用格式：
[1]陈一凡;朱民耀;朱晓强;宋海洋;陆小锋-.基于时序特征的图卷积协同过滤推荐算法)[J].电子测量技术,2022(06):79-85
A类：
推荐算法框架,ndcg
B类：
时序特征,协同过滤推荐算法,图卷积神经网络,最先,交互嵌入,嵌入向量,特征学习,互发,时序性,推荐性,时序信息,参数化,图卷积网络,模型训练,信号传递,Gowalla,Yelp,Amazon,book,recall,算法性能,参数设置,类型图,推荐效果,训练效率,命中率,信息过载,过载问题,应用需求
AB值：
0.24801
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
