陈 彬，张荣梅，张 琦

河北经贸大学 信息技术学院，石家庄050061

随着大数据时代的来临，数字资源呈爆炸式的增长，人们捕获信息的深度、广度和频度也都获得极大的提升，这在丰富人们生活的同时，也带来了信息如何高效匹配和选择困难等诸多问题。于是，推动了智能推荐技术的发展和热潮。推荐系统旨在从海量、异构的数据资源中，快速聚焦和锁定满足用户需求的信息，并推荐给用户。

传统的推荐模型主要是基于内容的推荐、基于协同过滤的推荐以及两者混合的推荐[1]。但这些推荐算法模型大多都仅是对用户-商品评级矩阵进行了分析计算，没有参考用户属性和商品属性，致使推荐精度和准确率不能进一步提升[2]。且传统算法存在数据稀疏[3]的弊端，即指在庞大的用户量和商品量下，实际存在的用户-商品交易数据却少之又少的情况，这也是制约传统推荐算法效果的一大难题。此后学者们将用户和商品属性特征考虑在内，并引入深度学习[4]，提出了一些推荐模型：饶健[5]提出了使用基于因子分解机的推荐模型，在MovieLens 数据集上将其与传统推荐模型进行了实验对比，得出加入隐因子特征可以有效提高模型精准度的结论；郁豹等人[6]提出使用DeepFM 模型来实现社交广告的个性化推荐；吴磊等人[7]提出使用DCN模型来改进金融产品商城中商品的分类。这些模型在推荐领域都取得了不错的效果。但基于深度学习的推荐模型研究还很有限，存在很大的研究空间。……