张浩博，薛 峰，刘 凯

（合肥工业大学计算机与信息学院，合肥 230601）

0 概述

随着互联网的快速发展，网络信息呈指数级增长，如何从海量信息中分析和挖掘潜在有价值的知识或者规律，帮助用户找到感兴趣的信息意义重大。由于主动搜索用户感兴趣内容的方式局限性较大，因此推荐系统应运而生。推荐系统能够快速地从海量信息中过滤出符合用户需求的内容并主动推送给用户，已被广泛应用于电子商务推荐、个性化广告推荐、新闻推荐等诸多领域。

推荐系统主要分为基于协同过滤的推荐系统和基于内容的推荐系统两类［1-2］。基于协同过滤的推荐系统利用用户过去对物品的评分或交互历史进行推荐。基于内容的推荐系统则是为每一个用户和物品生成一个画像，然后向用户推荐与其画像最相似的物品集合。基于协同过滤的推荐算法由于具有较好的推荐效果而受到学者的广泛关注。矩阵分解（Matrix Factorization，MF）算法［3-4］是基于协同过滤的推荐算法中的主流算法，其利用用户物品交互矩阵来学习用户和物品特征的隐含向量。然而，在实际应用中，用户物品交互矩阵通常会非常稀疏，从而导致矩阵分解算法的推荐效果不理想，同时矩阵分解算法还存在冷启动问题［5］，不适用于新用户和新物品的推荐。为解决上述问题，文献［6-8］提出方法将用户或物品的一些辅助信息融入矩阵分解模型。这些辅助信息包括用户人口统计学信息、物品类别、用户评论等信息，但是这些方法只是将辅助信息作为附加项，在模型训练过程中并没有与矩阵分解算法中的用户、物品隐含向量进行联合更新。……