田保军，刘 爽，房建东

（1.内蒙古工业大学信息工程学院，呼和浩特 010080；2.内蒙古工业大学数据科学与应用学院，呼和浩特 010080）

（*通信作者电子邮箱ngdtbj@126.com）

0 引言

随着互联网信息的指数型增长，用户的选择更加多样化，这样虽能更好地满足用户需求，但是快速查询所需要的信息变得越来越困难。为了帮助用户摆脱困境，推荐系统［1］应运而生，其中协同过滤推荐［2］和基于内容的推荐［3］是当前推荐系统的两种主流技术，但这两种方法都存在着诸多缺点。其中，数据稀疏性是传统的协同过滤模型存在的主要问题［4］，而基于内容的推荐获取的又是浅层特征，不能很好地描述用户与项目的行为［5］，导致推荐精度不高。深度学习模型恰好能够提取到深层次的特征，将深度学习能够学习到的稠密、连续、多层次的用户和项目的特征，例如：近邻关系、主题关系以及用户的评论和标签信息等［6-9］，与协同过滤推荐融合，使得混合推荐系统不仅具有传统推荐方法的简单、可解释性强等优点，而且使得推荐精度更高。目前，传统的推荐算法与深度学习算法进行结合已经成为越来越多的研究者关注的研究热点［10］。

Kim 等［11］提出了基于卷积矩阵因子分解（Convolutional Matrix Factorization，ConvMF）模型，利用卷积神经网络（Convolutional Neural Network，CNN）处理项目的文本信息，学习到项目的隐特征，融入到通过PMF 模型分解的评分矩阵中，提高了评分预测的准确性。但是该方法仅仅根据评论的原始文字来提取项目的连续全局特征，忽略了文档中显著的主题特征信息。……