By tecdatAI人工智能辅导, Python辅导, 人工智能, 大数据部落, 技术支持, 数理统计, 期刊论文发表投稿, 计算机科学CS辅导, 计算机科学与技术Collaborative, Decomposition, Deep, Factorization, Filtering, Fusion, Hybrid, Integration, Learning, Matrix, model, Movie, NCF, Neural, Personalization, Prediction, python, PyTorch, Rating, Recommendation, Recommender, Single, SVD, System, TensorFlow, Value, 分解, 协同, 协同过滤, 推荐, 推荐系统, 电影, 矩阵, 神经, 系统, 融合, 评分, 过滤, 预测
本文围绕电影推荐系统中的评分预测与Top-K推荐两大任务，在MovieLens评分数据集上对比实现了SVD截断奇异值分解矩阵分解模型与神经协同过滤（NCF）深度学习模型，并辅以TF-IDF内容推荐模块。本文回答以下核心问题：（1）在小规模显式反馈数据集上，经典矩阵分解与神经推荐模型在准确率与多样性方面表现如何？（2）NCF模型嵌入维度与网络深度这两个超参数如何影响推荐质量？（3）如何将推荐模型封装为RESTful API实现工程化部署？
