杨 希， 何月顺， 王同罕

(东华理工大学 信息工程学院， 南昌 330013)

0 引 言

随着互联网技术的高速发展，各类信息数据呈现爆炸式增长的趋势，“信息过载”导致用户很难从互联网准确获取到感兴趣的资源。推荐系统作为满足用户的个性化需求，使用户能够快速有效地获取信息的重要工具，近年来被广泛应用于电影视频、音乐推荐、新闻推送及电子商务等领域。

协同过滤(Collaborative Filtering，CF)是推荐系统中应用最成功和最广泛的算法之一[1],其核心思想是利用与目标用户兴趣偏好相同的用户群体的喜好情况来实现推荐[2]。在不同类型的协同过滤算法中，矩阵分解(Matrix factorization，MF)因其简单有效的特性而被广泛采用。传统的矩阵分解及其改进方法大多是基于浅层的模型，由于系统中用户和项目的数量非常大，而每个用户只与少数项目有交互，模型的推荐准确性受到稀疏的评分矩阵影响。

近年来，很多学者将深度学习与传统的推荐算法相结合，利用深度神经网络提取高层特征、融合多源信息的优势，改善传统算法的推荐性能。Suvash等构建基于自动编码器的推荐模型AutoRec，对输入的用户或项目向量进行重构，最小化重构误差实现模型的训练[3]；He等提出了神经协同过滤(NCF)模型，使用多层感知器对隐式数据建模，提取非线性特征，结合矩阵分解提取线性特征，使用神经网络结构得到模型的输出[4]；张等使用二次多项式回归模型获取潜在特征向量，将其输入深度神经网络模型中，得到预测评分[5]。……