基于多视图深度学习的推荐系统跨域用户建模算法

刘 凯

(宁夏医科大学 网络信息中心，宁夏 银川 750001)

推荐系统和内容个性化在目前的在线Web服务中扮演着越来越重要的角色。其中，有一个常见难题就是很多Web服务致力于找到用户需要的最相关内容，来为用户减少查询时间。当前的研究中，对于此问题常常使用协同过滤方法，如将用户先前在Web站点中的交互历史保存，之后通过一定的预测模型来推荐相关内容[1-5]；另一种常见的方法是使用基于内容的推荐算法[6-7]，将用户与内容之间的特征进行相似性匹配，之后通过相似度来推荐新的条目。随着用户对于个性化和推荐质量的要求的提高，这种固化的算法有明显的局限性，两种传统的方法难以提供高质量的推荐内容。为了构建用户特征，本研究从用户浏览和搜索的所有历史中，提取具有聚类特点的特征来描述用户的搜索趋向。这种方法潜在的假设是，用户在线活动历史反映了大量用户特有的背景和偏好，具有个性化特点。

因此，为了解决以上两种传统方法的局限性，提出了一种使用多视角深度学习方法，利用用户和项目的特征来构建推荐系统。本设计创新性地构建了一种深层的结构语义模型(DSSM)[8]，将用户和特征项映射到语义空间，利用非线性变化的方法使用户数据和特征数据之间的相似性最大化。不仅如此，通过对原始的DSSM模型进行分析和实验，将来自单个域的特征拓展，共同学习为不同域的特征，将其命名为“多视图深度神经网络”(MV-DNN)。……