梁婷婷， 李丽琴

(广西民族师范学院 数学与计算机科学学院， 广西 崇左 532200)

引言

在大数据环境下，网络学习环境存在着“信息过载”和“信息迷航”的问题。在线学习过程中，与传统的标准化服务方式不同，若能获得有智能化的、具有针对性、个性化的学习资源推荐服务，将大大提高学习者的学习效率和学习体验。个性化学习资源推荐技术逐渐成为教育领域与智能信息处理领域的一个重要研究课题。

近年来，深度学习算法在人工智能相关热门应用中发挥了重要作用，在广泛领域中大大提升原有算法的性能。将深度学习与推荐算法结合也成为近几年的研究热点。ACM RecSys是一个推荐系统的专门会议，特别开设了深度学习与推荐系统讨论组。深度学习在推荐系统中的应用领域包括构建特征、生成推荐候选集合、以及预测推荐分值等。

1 推荐算法与深度学习算法简述

主流的推荐算法包括：基于知识推荐、基于内容推荐、协同过滤算法和组合推荐。其各自的优缺点比较见表1。深度学习的主要模型有神经网络、卷积神经网络、自动编码机等[1]。本文着重使用了几个相关算法，下面简要描述其特点。

基于协同过滤的推荐算法又可分为两大类：基于内存和基于模型的协同过滤。基于内存的协同过滤再细分为基于用户和基于项目的协同过滤。前者适用于用户数远小于项目数的系统，后者则适用于项目数远小于用户数的系统。比如在新闻推荐系统中，新闻的类别(项目)就只分为有限几类，如财经、军事、体育等，则适用于基于项目的协同过滤。……