深度协同过滤推荐模型研究

纪佳琪 姜学东

(河北民族师范学院 河北 承德 067000)

0 引 言

随着大数据时代的到来，人们已经进入了信息爆炸时代，推荐系统对缓解信息过载问题起到了重要的作用，在电子商务、社交网络、在线新闻等领域得到了广泛应用。传统的推荐模型可以分为三类：协同过滤推荐模型、基于内容的推荐模型和混合推荐模型[1]。协同过滤推荐模型又可以分为基于用户的协同过滤模型、基于物品的协同过滤模型和基于矩阵分解的协同过滤模型。其中，基于矩阵分解的协同过滤模型以其较好的推荐效果得到了广泛的应用。其基本原理是把用户属性和物品属性分别映射到两个隐空间，使用两个隐向量来表示用户和物品，然后把这两个隐向量的内积作为用户对物品喜好程度的预测值。以此为基础，众多学者采用多种方法对其改进以增加性能，如与基于邻域的模型进行集成[2]，考虑物品内容属性的主题模型[3]和基于知识的模型[4]等。然而由于矩阵分解中的内积操作是线性的，因此并不能很好地捕获用户和物品间复杂的交互信息，无法从根本上进一步提升推荐性能。

近些年，深度学习由于其强大的非线性表征能力，在计算机视觉[5-6]、语音识别[7]和自然语言处理[8]等领域获得了突破性进展。然而把深度学习应用到推荐系统领域的研究还处于起步阶段，并且这些研究主要是利用其对物品的文本描述信息[9]、音乐的声音信息[10]或图像信息[11]进行建模后再结合用户和物品的隐向量做内积操作，其本质仍是线性的，并没有很好地利用深度学习强大的非线性表征能力。……