谢恩宁,何灵敏,王修晖

(中国计量大学 信息工程学院,浙江 杭州 310018)

随着科技的迅猛发展,人们生活中所接触到的信息规模也呈现井喷式增长。为了缓解海量数据检索给人们日常生活带来的不便,推荐系统应运而生。推荐系统一般被定义为:能够通过分析用户行为,对用户兴趣进行建模,从而达到预测用户兴趣并给用户做推荐的目的。推荐系统是帮助用户发现内容,克服信息过载的重要工具。

对于推荐系统领域中传统的推荐算法而言,应用最广泛的是协同过滤算法(Collaborative filtering,CF)[1-2]。目前众多杰出的推荐算法都是基于协同过滤算法,其主要思想是利用用户和项目之间的历史交互信息,对用户和其感兴趣的项目进行建模,从而给出最后的推荐[3-4]。纵观不同类型的协同过滤算法,矩阵分解算法(Matrix factorization,MF)是其中最为流行的推荐算法之一[2,5]。基于矩阵分解的协同过滤算法同样对用户和项目之间产生的历史交互信息进行建模,区别在于该方法分别用一个隐式向量代表用户和项目,而用户和项目之间产生的交互则用隐式向量间的内积来表示。此前大量研究人员致力于使用传统方法增强基于矩阵分解的协同过滤算法,例如,拓展矩阵分解算法到因式分解机[6]、将包含项目内容的主题模型结合到矩阵分解算法[7]，以及与最近邻模型相整合[2]。尽管,上述研究提出的方法能够提升推荐系统的推荐效果。但是,基于矩阵分解的协同过滤算法提供的推荐性能还是会受到隐式向量间内积操作的限制[5]。……