魏 东，孙静宇，海 洋

(太原理工大学 软件学院,太原 030024)

0 引言

传统的推荐算法大致可分为3类：基于内容推荐、协同过滤推荐和混合推荐[1]。其中协同过滤算法因其在处理非结构化数据的优越性，在时下的推荐系统中得到广泛应用和关注。经过学术界和工业界多年的探索和研究，推荐算法经历了从传统的矩阵分解等方法到现今的与深度学习技术结合的发展历程。

深度学习旨在模拟、建立人脑进行分析学习活动的神经网络，其模型是一种深层非线性网络，可以获取比传统算法更深层次的数据本质特征。近些年，深度学习在图像处理[2]、语音识别[3]以及自然语言处理[4]等领域都取得了很多成果[5]，成为了人工智能领域的一个研究热点，同时也为推荐系统的研究带来了新的机遇。基于深度学习的推荐系统通常将各类用户和项目相关的数据作为输入，利用深度学习网络进行学习和训练，最终自动为用户输出个性化的推荐结果[6]。

本文提出了一种结合难分样本挖掘(HEM，hard example mining)和对抗自编码器[7](AAE，adversarial autoencoder)的深度推荐模型(HEM-AAE)。难分样本挖掘采用三元损失算法对项目进行分类，以此来解决评分数据分布不平衡和稀疏性问题。将不同类别的项目输入对抗自编码器的训练过程，可以从两方面优化推荐模型。在此基础上通过训练好的模型预测目标用户的项目评分，使用TOP-N算法选择预测评分最高的项目推荐给用户。

1 难分样本挖掘

推荐系统研究中常用数据集数据分布不平衡，稀疏问题较严重，影响了推荐系统性能稳定性。……