吴婷

（重庆大学计算机学院，重庆 400044）

0 引言

随着信息的存储和传输技术的进一步发展，各式各样的多媒体资源服务平台应运而生。这类服务平台凭借其内容多样性及便捷性吸引了大量的互联网用户，但是频繁更新的海量内容往往使用户很难迅速准确地定位到目标内容，因此，能主动对无关内容进行筛选的推荐系统具有重要的实用性。传统的推荐系统可以通过用户、项目的历史记录来学习到用户、项目潜在属性特征。但是对于刚进入市场的新项目，因为没有或缺乏足够的历史记录信息，传统的推荐系统就会遭遇经典的项目冷启动问题。为了完善项目冷启动推荐，挖掘新项目的属性特征并实现个性化推荐具有重要的现实意义。

项目冷启动问题根据相关项目历史记录是否完全为0划分为完全冷启动问题（Complete Cold Start，CCS）和非完全冷启动问题（Incomplete Cold Start，ICS）[1]。冷启动问题一直是推荐系统研究领域的重要分支。对于非完全冷启动问题，何明等[2]融合进类别信息及用户兴趣度来缓解稀疏并进行推荐。张玉芳等[3]选用了分步填充方法来对原矩阵进行填充。潘涛涛等[4]在协同过滤的基础上，进一步融入物品的可预测性，并进行矩阵填充。对于完全冷启动，因为可供利用的信息过少，传统的方法大都是基于专家系统，即当商品进入市场时，通过专家系统或者手工标注为新商品添加标签，但是这种方法往往会耗费大量的人力物力。Wei等[5]提出一种融合协同过滤和深度学习的项目冷启动推荐方法，他们选用了SDAE来提取辅助文件中的特征。……