基于双层注意力机制的对偶正则化评分预测

田 阳，武 浩

(云南大学 信息学院，云南 昆明 650500)

随着互联网信息量的快速增长，推荐系统在探索用户喜好及精准推送方面扮演着不可或缺的角色.推荐系统通过获取用户的个人需求、兴趣爱好以及社交网络等信息，个性化地为用户提供决策支持和信息服务.推荐系统从20 世纪80 年代提出到如今的广泛应用，经历了极快速的技术迭代和技术创新.学术界和工业界提出了众多技术手段来提升推荐系统的性能和准确性.以往推荐系统大多基于协同过滤法[1]，通过评分、点击率、浏览次数等反馈信息获取用户的偏好，学习用户及物品的隐式向量来推测用户对物品的喜好程度.

协同过滤的关键在于如何有效表征用户或物品的隐式向量，以及如何将二者结合从而获取评分等预测信息，其中内积是二者结合的经典选择[2].由于现实世界的数据较为庞大，数据较为稀疏，用户不可能对所有物品反馈有效的信息，反馈矩阵中非零行较少，因此通过矩阵分解的方法难以达到预期效果.近年来，随着计算能力的提升以及深度学习的蓬勃发展，基于深度学习的推荐系统正成为当前研究的主流.例如Latent Dirichlet Allocation（LDA）[3]等主题模型、卷积矩阵分解（Convolution Matrix Factorization，ConvMF）[4]等模型结合了深度学习的相关技术，进一步缓解了因数据稀疏而造成预测性能下降的问题以及因缺少起始数据而造成的冷启动问题；但LDA 等模型忽略了长文本中上下文的联系，无法准确地表征向量，从而影响预测……