马 鑫, 吴 云, 鹿泽光

1.贵州大学计算机科学与技术学院，贵阳550025

2.中科国鼎数据科学研究院，北京100089

随着“互联网+”时代的到来，物联网技术、5G 技术、无人驾驶技术等逐步兴起.这些新技术的发展使社会进入信息爆炸的时代[1-2].在互联网中，每天都会产生大量图像、文字、视频等各种各样的信息，如何有效地分析用户的行为反馈信息和项目的隐藏描述信息，为用户进行个性化推荐已经成为当下的研究热点[3-5].推荐系统在一定程度上解决了“信息过载”的问题[6].推荐系统中最具代表性的推荐算法就是近邻的协同过滤推荐算法[7].传统的近邻算法包含基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法，这两种算法都是利用用户-项目的评分数据进行相似度计算，找到用户的近邻集合或者项目的近邻集合，然后进行推荐[8-10].然而，基于用户的协同过滤推荐算法要求用户-项目评分数据具有较高的饱和度，才能产生更加准确的推荐结果.但用户不可能对所有产生行为的项目进行评分，所得到的用户-项目评分数据异常稀疏.因此如何有效解决数据稀疏性问题、提高推荐结果是本文研究的重点.

随着深度学习技术的飞速发展，其在计算机视觉、自然语言处理和语音识别等领域取得了巨大成功，这也为个性化推荐技术的研究提供了新机遇和挑战[11-13].其中最具代表性的卷积神经网络（convolutional neural network, CNN）是一种非线性前馈神经网络，其卷积层能更好计算……