杨本臣，裴欢菲

（辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105）

0 引言

推荐系统是使用户更方便找到自己需要的项目，是提升网站运营效益、增加用户忠诚度、解决网站信息超载问题的最有效方法之一.在推荐系统算法中经常引入一些辅助信息作为输入.目前常见的辅助信息有：社交网络、用户/物品属性、上下文等.通过相关文献分析[1-3]，发现存在较低的准确率和召回率、算法复杂等问题，均需进一步深入研究.面对用户深层偏好捕捉困难，容易忽略一些文本的上下文信息等问题，现有分类算法不仅无法有效解决用户-项目矩阵数据稀疏的多分类问题，且同时面临处理海量数据检测耗时，推荐准确率低的复杂问题.因此，如何提出一个面向海量数据能够解决相应特征值选择、推荐准确率低且检测耗时问题的方法是目前亟待解决的问题.

随着神经网络算法的不断改进，以深度学习为代表的人工智能理论与应用研究，越来越多地被应用到推荐系统中.目前许多数据挖掘方法被成功应用到个性化推荐系统的领域中来，比如BP神经网络、遗传算法及决策树等[4-6].文献[7]～文献[9]已经提出可以利用文档主题生成模型和堆栈去噪自动编码器等方法来提取文本中特征并对其进行推荐.但是，现有模型还不能及时捕获有关评论文本的全面信息.为解决上述问题.FU M S[10]等利用卷积神经网络对评论文本数据中的潜在因子进行特征提取.KIM D[11]等提出将……