张玉瑶，程学林，尹天鹤

(浙江大学 软件学院，浙江 杭州 310058)

0 引 言

随着大数据时代的到来，每时每刻都有海量数据被制造和发布到网络上。为了应对数据量的激增导致的“信息过载”问题，推荐系统应运而生。在电影推荐领域，用户可以方便地通过移动终端接触各式各样的电影，对电影的选择越来越依赖于电影评分和智能化电影推荐[1]。推荐系统的核心在于推荐算法，推荐算法的准确度直接决定着推荐系统的效果。

协同过滤推荐算法能够充分利用用户行为数据，不受物品内容的限制，成为应用最普遍的推荐算法之一[2]。矩阵分解(matrix factorization，MF)是一种基于模型的协同过滤算法，模型简单且擅长评分预测，在电影推荐等领域得到了广泛的应用。文献[3]提出的隐语义模型(latent factor model，LFM)是一种典型的矩阵分解，引入用户和物品评分隐因子，之后该算法又被进一步优化。文献[4]将用户隐式反馈信息及用户和项目偏好随时间的变化纳入考虑，提出TimeSVD++算法，使得推荐准确性进一步提升。然而，矩阵分解过度依赖于用户对物品的行为数据，导致了数据稀疏性、冷启动以及特征提取不充分等问题[5]，对推荐准确度造成了严重影响。

随着人工智能浪潮的兴起，一些学者开始将深度学习方法运用到推荐算法研究中，文献[6]对深度学习在推荐算法中的应用进行了综述。文献[7]提出了深广学习模型(wide & deep learning)，能够对包括项目特征、情景特征在内的多源异构数据加以综合利用，使得训练得到的模型同时获得记忆和泛化能力。……