刘振鹏，尹文召 ，王文胜，孙静薇

1.河北大学 电子信息工程学院，河北 保定 071002

2.河北大学 信息技术中心，河北 保定 071002

1 引言

当下互联网信息快速传播，用户能够通过搜索关键字来获取相关信息，然而推荐信息也在逐步踏入生活之中，在电子商务、新闻推荐，以及如今流行的短视频社交领域，用户多数通过平台推荐来获取信息。但是信息的种类、数量不仅巨大而且还在不断的增长，如何将信息精确的推荐给用户，个性化推荐系统[1]就被应用于这些平台之中。

协同过滤推荐算法[2-3]是推荐系统中常用的算法，根据用户与项目之间的交互数据，例如浏览、收藏、加购、购买等行为，作为用户-项目的隐式反馈，或者以评分方式进行交互。利用这些交互数据计算用户（项目）之间的相似度来进行推荐。当评分数据稀疏时，推荐性能就会下降，而且当面临新用户或者新项目需要推荐时，由于没有历史交互数据，无法进行准确的推荐，遭遇冷启动问题[4-5]。基于内容的推荐算法需要人为的根据项目的内容信息去标记其特征，并根据特征推荐给相关爱好的用户，虽然不会遭遇项目冷启动问题，但在扩展性方面十分有限。

协同过滤推荐算法中最受欢迎的有基于矩阵分解（MF）的推荐算法，MF通过用户喜好矩阵和项目特征矩阵作内积去重构用户-项目的评分矩阵，但是仅靠内积是无法精确逼近用户项目的交互关系，而且这样浅层的结构也无法挖掘用户以及项目深层的特征[6]。……