融合信任关系与评论文本的矩阵分解推荐算法

李昆仑，翟利娜，赵佳耀，王萌萌

(河北大学 电子信息工程学院，河北 保定 071000)

1 引 言

随着互联网上信息的爆炸式增长，用户面临着严重的信息过载问题，推荐系统可以帮助用户过滤掉一些冗余信息，使用户能在众多信息中快速的找到自己满意的内容.推荐系统是网络应用的一个重要组成部分，被广泛的应用在电子商务中.当前主流的推荐系统模型大多基于协同过滤算法，该方法根据用户历史行为相似性对目标用户进行推荐，主要分为两种类型：基于记忆的算法和基于模型的算法[1,2].其中，矩阵分解模型(Matrix Factorization，MF)因其卓越的表现引起了人们的关注，成为协同过滤中的经典算法之一[3].电子商务的崛起使得用户和项目的数量急剧增长，但是用户评分数据稀疏性却制约了矩阵分解模型的推荐效果[4].

融合用户信任可以改善推荐算法中评分数据稀疏性问题.Guibing G等人同时将评分信息以及主动用户的显示信任影响和被信任用户的隐式影响融合在矩阵分解中完成推荐[5].Deng S等人考虑社区效应对信任感知社交建议初始化，同时用深度学习模型学习用户及其信任朋友的兴趣，然后将信任关系融合到矩阵分解中[6].Yin S等人根据用户的浏览记录、标签等信息，建立用户的兴趣特征向量，改进信任度和相似性测度[7].但是，仍然存在社交网络中直接信任矩阵稀疏的问题.

近年来，深度学习十分火热.深度学习因其可以更好的捕捉深层次的特征而被广泛……