基于难分样本挖掘的对抗自编码器推荐系统

针对在推荐系统领域中常用数据集的数据分布不平衡、稀疏性大和用户评分偏好不同等问题,提出了基于难分样本挖掘的对抗自编码器推荐模型;考虑到用户偏好差异,使用均模型对数据集进行特征提取处理,在保留数据统计学特征的同时,降低了计算复杂度;之后,基于三元组损失算法对经过均模型处理的数据集进行难分样本挖掘;通过对数据集样本进行正负分类,提升了训练样本质量;再将正负样本分类后的数据分别作为对抗自编码器的输入,从重构和对抗两方面共同对评分预测模型进行训练;同时,采用Adam优化算法为不同参数单独计算更新梯度;实验结果表明,该推荐模型显著提升了推荐性能,多项指标优于基线模型;基于难分样本挖掘的推荐自编码器推荐系统具有一定实用价值.