王世杰, 高鑫, 许舒翔

(1.国家电网公司西北分部， 陕西 西安 710048；2.国电南瑞科技股份有限公司， 江苏 南京 211106)

0 引言

在当前信息数量规模呈现爆发式增长的情况下，如果只采用由单一因素构成的推荐系统进行分析时将难以适应人们对于实际需求的变化，因此无法通过此类推荐系统获得合适的推荐结果，从而极大增加了选择的难度[1-5]。为有效提升推荐效率，应综合考虑多个方面的各类影响因素，实现精度的大幅提升以及全面优化各项评价指标[6]。以上各项信息由多个异构数据共同构成，在这种情况下使用深度学习方法能够高效提取各类异构数据的低维特征，从中挖掘实际有用的信息，之后再把此类信息融合到传统推荐系统内，之后再处理以传统算法无法处理的内容，显著改善推荐效果[7-9]。综合运用深度学习方法和传统算法能够进一步增强推荐系统运算效能。其中，深度学习方法能够实现对数据深层次特征的精确分析与提取[10-12]。采用栈式降噪编码器可以提取得到一些隐藏的信息数据，不过该方法只是单一进行特征参数提取，而没有充分体现物品各项隐藏特征的相互效果，以上述机械相加的模式并不能获得更优的综合效果，导致融合算法效能受到限制[12-13]。

采用交互方式可以使辅助信息达到更高的利用率，由此构建更加完善的评分矩阵，同时设置了评分优化权重，显著提高物品推荐能力[14-16]。对此算法进行测试发现，可以显著克服用户与物品发生冷启动的情况，从而减小了拟合误差，使推荐物品获得更高好评度。……