标签扩展的协同过滤推荐算法 *

陈海龙，闫五岳，孙海娇，程 苗

(哈尔滨理工大学计算机科学与技术学院,黑龙江 哈尔滨 150080)

1 引言

随着互联网技术的迅速发展，互联网人口快速增长，随之导致网上数据呈指数级增长态势，从而导致了严重的信息过载。为了使用户能够快速准确地获取自己感兴趣的物品，推荐系统应运而生。推荐系统能够分析系统中的用户数据，根据用户的喜好为用户推荐商品或服务，能够有效地解决信息过载带来的问题。目前，成熟的推荐算法有很多，如基于内容的推荐[1]、协同过滤推荐[2]和基于关联规则的推荐[3]等。

在有关的推荐算法中，协同过滤推荐算法应用最为广泛。但是，协同过滤模型的一大问题是数据稀疏，该问题影响了推荐算法的推荐质量。为了缓解数据稀疏对推荐算法的影响，研究人员进行了许多尝试。例如Cui等[4]为解决个性化兴趣点POI(Point-Of-Interest)推荐数据稀疏问题，从多角度来扩展协同过滤模型。Guan[5]提出了一种三维协同过滤框架，通过使用用户和项目的特征进行相似度计算来处理数据稀疏性问题。除此之外，为了实现推荐算法的高效性，将深度学习融入推荐算法成为了热点。Mohammad等[6]在推荐系统框架下集成深度神经网络和矩阵分解并使用显示反馈进行协同过滤。Huang等[7]利用基于多注意深度神经网络实现准确的组推荐，采用多注意网络捕获内部社交特征，采用神经注意机制来描述每个组和成员之间的偏好交互。另外，Huang等[8]还提出了一种基于多模式表示学习模型，通过项目的多峰特征和用户的全局特征来计算用户对项目的偏好。……