吴远琴，尹 裴，干宏程

(上海理工大学 管理学院，上海 200093)

1 引 言

众筹是一种随互联网兴起而产生的新的融资方式[1].迄今为止，世界上最大的众筹平台Kickstarter(1)https：//www.kickstarter.com/，已通过16，475，171为165，564个项目成功融资4，384，962，222美元，欧洲著名的众筹平台Ulule(2)http：//www.ulule.com拥有超过260万，成功融资28，294个项目，总融资额达到143，381，350欧元.然而，Kickstarter的融资成功率仅37%，Ulule也只有65%.项目创意、项目的广告曝光度、项目持续时间等都可能影响项目融资成功率[2].然而，最大的原因是平台上项目众多，投资者很难浏览到真正感兴趣的项目.因此，众筹项目推荐，匹配投资者的偏好，有利于提高平台的融资成功率.

调查显示，大多数众筹平台上用户行为的稀疏度高于99%.过于稀疏的数据使得常用的协同过滤算法失效，例如基于用户的协同过滤，由于大量数据的缺失，无法有效计算用户之间的相似度.此外，推荐系统研究常用的公共数据集采用的是用户评分，例如Movie-lens、Netflix Prize等，可以直接根据评分来判断用户的感兴趣程度，从而确定正、负反馈数据.然而，众筹平台的用户投资行为属于隐式反馈数据.

为了降低稀疏数据对推荐的影响，以奇异值分解(SVD)为代表的矩阵分解技术，通过将用户对项目的评分分解为用户、项目的特征向量矩阵，利用用户和项目之间的潜在关系得到预测值，从而实现对高维稀疏的矩阵降维[3].然而，矩阵分解在降维之后，利用低维空间估计高维用户-项目交互关系，从而影响推荐的精度.

近年来，由人工神经网络发展来的深度学习技……