刘浩翰 曲昕彤 贺怀清

(中国民航大学计算机科学与技术学院 天津 300300)

0 引 言

在过去的20年，推荐系统的发展逐渐完善，它能将可能被用户喜欢的资讯或项目推荐给用户，从而帮助用户从海量的信息中筛选出需要的特定信息[1]。伴随着用户的个性化需求越来越高，在海量信息中找到并为用户匹配到满足其个性化需求，增强其满意度的信息，成为了专家学者和广大网络用户关心的核心问题。

随着深度学习在推荐领域取得的突破性进展，在整合的多源异构数据中构建贴合用户需求的用户模型，提高推荐系统的性能和精确度，成为解决上述问题的主流解决方案。矩阵分解[2](Matrix Factorization，MF)是最受欢迎的一种协同过滤技术，它使用潜在特征向量来表示用户或项目。但MF因为使用一个简单的固定内积，在估计低维潜在空间中用户-项目的复杂交互时会造成非线性建模能力较差的限制。He等[3]针对这一问题提出了一种神经网络结构模拟用户和项目的潜在特征，设计了基于神经网络的协同过滤通用框架(Neural Collaborative Filtering，NCF)，表明MF可以被解释为NCF的特例即广义矩阵分解(Generalized Matrix Factorization，GMF)，并利用多层感知机(Multi-Layer Perceptron，MLP)来赋予NCF高水平的非线性建模能力，由此提出神经矩阵分解模型NeuMF。NeuMF统一了MF在建模用户-项目潜在结构方面的线性建模优势和MLP的非线性优势,并且较一般方法提高了推荐的精确度。

然而在实际的推荐环境中，精确度并不是提高用户对推荐项目满意度的唯一标准，推荐列表的多样性也是一种重要指标。……