基于深度随机游走的协同过滤推荐算法

刘靖凯

（广东工业大学，广东 广州510006）

推荐算法是一种根据用户兴趣，为用户推荐一系列其感兴趣的物品的算法。推荐算法分为召回和排序两个步骤，其中，召回步骤常用的算法有协同过滤算法、隐语义算法等。协同过滤算法利用所有用户的历史行为信息，特别是用户对物品的正反馈行为，计算出特定用户对物品的兴趣偏好，从而达到个性化推荐的目的。由于协同过滤算法具有鲁棒性强、计算复杂度低等特点，所以已经被广泛应用于各种实际的推荐场景之中。

常用的协同过滤算法有基于用户的协同过滤算法和基于物品的协同过滤算法，基于用户的协同过滤算法通过推荐与用户兴趣相近的其他用户感兴趣的物品，从而达到精确推荐的目的。最近的一些研究尝试将协同过滤算法和基于模型的推荐算法结合，来提高推荐算法的性能。为了保持模型的时效性，一些在线学习的模型通过学习新产生的用户行为数据来保持模型参数的质量。在线学习的推荐模型能够从持续更新的数据流中训练模型参数。常用的模型有增量式的协同过滤模型[1]和增量式的矩阵分解模型。

深度随机游走[2]是一种将图结构转化为向量表示的算法。算法采用无监督的深度学习方法[3]，这一方法已广泛地运用于自然语言处理当中。深度随机游走算法可以学习到用户节点之间的社交关系，包括相邻用户节点的邻域信息和同一用户群体的成员关系。……