TY -的A2张熔清非盟- Yu,永宏盟——张、李盟,王盟——高,荣盟——赵,渭滨盟——江京PY - 2019 DA - 2019/01/03 TI -神经个性化的排名通过泊松系数模型SP - 3563674项建议六世- 2019 AB -推荐系统已经成为不可或缺的在线服务为用户因为他们缓解信息过载的问题。提出了一些工作来支持学习的个性化推荐利用协同过滤的潜在用户和条目表示隐含的用户和项目之间的相互作用。然而,大多数现有的方法简化了隐式频率反馈二进制值,使协同过滤无法准确了解潜在的用户和项目特性。此外,传统的协作过滤方法通常使用线性函数模型之间的交互潜在功能。线性函数的表达可能不足以捕获用户的交互的复杂结构和降解这些推荐系统的性能。在本文中,我们提出一个神经个性化排序模型的协同过滤隐式反馈频率。该方法集成了排名泊松系数模型中神经网络。具体来说,我们首先开发一个排行第三的泊松系数模型,结合泊松系数模型和贝叶斯个性化的排名。该模型采用成对学习方法学习排名的使用条目之间的偏好。之后,我们提出一个神经个性化排序模型的排行第三的泊松系数模型,命名NRPFM,捕捉user-item交互的复杂结构。 NRPFM applies the ranking-based poisson factor model on neural networks, which endows the linear ranking-based poisson factor model with a high level of nonlinearities. Experimental results on two real-world datasets show that our proposed method compares favorably with the state-of-the-art recommendation algorithms. SN - 1076-2787 UR - https://doi.org/10.1155/2019/3563674 DO - 10.1155/2019/3563674 JF - Complexity PB - Hindawi KW - ER -