融合注意力机制的自编码器推荐算法

为充分获取用户的个性化信息，提高推荐算法的准确性，提出了一种融合注意力机制的自编码器推荐算法。所提算法首先针对数据中蕴含的低阶特征和高阶特征，专门设计了相应的特征提取模块，增强传统编码器的泛化能力和记忆能力，然后利用注意力机制对特征进行融合，得到关于用户偏好信息的向量表示，并通过解码器预测用户对物品的购买意愿，最终实现个性化推荐任务。在ML-100K,ML-1M和Yahoo Music三个数据集上进行实验，并与主流个性化推荐算法进行对比，本文算法在Precision,Recall,F1值和归一化折损累计增益(NDCG)四个指标上均有较大的提升。在互联网推荐场景下，本文算法能够充分挖掘出用户的偏好信息，为用户提供高质量的推荐结果即给出合理的物品购买决策建议，从而最大化满足用户需求。