王倩雯 张延华 付琼霄 李 萌 李 庆

(北京工业大学信息学部信息与通信工程学院 北京 100124)

0 引 言

随着技术的不断发展，信息量持续增长，用户身处信息爆炸化环境，无法快速寻找所需内容。搜索引擎虽然能满足某些用户的需求，但并不能学习用户偏好从而主动帮助用户搜寻合适信息[1]。而推荐系统在解决信息过载问题的同时可完成用户个性化推荐。

推荐系统主要分为三类，即基于内容的推荐、基于协同的推荐和混合推荐[2]。其中基于协同的推荐[3]可有效利用其他相似用户的反馈信息并推荐新鲜项目，现已经成为应用最广的推荐系统。但基于协同的推荐算法仍有明显不足，无法为零历史用户和新物品进行推荐，这就是推荐系统中常见的冷启动问题[4]。为了缓解这些问题，研究人员通常将内容信息融入协同算法中进行混合推荐。

近年来深度学习因特征提取能力强，在多个领域表现优异[5-6]。2007年，在Nexflix Prize推荐大赛上提出将深度学习应用于推荐系统。此后，基于深度学习的推荐系统研究受到国际学术界越来越多的关注，ACM推荐系统年会于2016年召开第1届基于深度学习的推荐系统研究专题研讨会，国内外许多研究机构也对基于深度学习的推荐系统开展了广泛研究。Du等人[7]将隐因子模型与多层感知机相结合，提出了一种新的群体推荐策略。利用多层感知机获取用户与项目之间的潜在联系，并根据推荐分数设计均衡推荐策略，确保群体用户的满意程度，有效提高了群体推荐准确率。……