Personalized Recommendation System Using Deep Learning with Bayesian Personalized Ranking

Siet, Sophort

doi:10.32604/cmc.2025.071192

Personalized Recommendation System Using Deep Learning with Bayesian Personalized Ranking

2026-01-01

0

PRE

AI

Sadriddinov, Ilkhomjon

K

Kyuwon Park *

DOI：10.32604/cmc.2025.071192

原文链接

原文求助

摘要

En 中文

推荐系统已成为提供定制化建议和捕捉基于交互历史的演变用户偏好的不可或缺的工具。协同过滤（CF）模型完全依赖于用户-物品交互，常面临包括冷启动问题和无法有效捕捉用户行为序列及时间特征等挑战。本文介绍了一种结合深度学习技术与贝叶斯个性化排序（BPR）优化的个性化推荐系统，以解决这些局限性。借助长短期记忆（LSTM）网络的有力支持，我们将其应用于识别用户行为的序列依赖性，随后引入注意力机制以提升相关物品的优先级，从而基于用户及其交互模式的混合反馈增强推荐。所提出的系统使用公开的电影和音乐数据集进行实证评估，并与标准推荐模型（包括Popularity、BPR、ItemKNN、FPMC、LightGCN、GRU4Rec、NARM、SASRec和BERT4Rec）进行性能对比。结果表明，在MovieLens-100K、MovieLens-1M和Last.fm数据集上，所提出的框架在HitRate、NDCG、MRR和Precision at K = 100方面均持续取得高分（分别为0.6763、0.1892、0.0796、0.0068；0.6826、0.1920、0.0813、0.0068；0.7937、0.3701、0.2756、0.0078）。结果显示，与现有序列模型相比，所有指标平均提升约15%，证明本框架能更准确地排序和推荐物品。

Keyword:

Recommendation systems

traditional collaborative filtering

Bayesian personalized ranking

Personalized Recommendation System Using Deep Learning with Bayesian Personalized Ranking

摘要

期刊

机构

引用论文