黄敏 齐海涛 蒋春林

(1.华南理工大学 软件学院，广东 广州 510006；2.华南理工大学 图书馆，广东 广州 510006)

推荐系统在大数据时代下扮演着举足轻重的角色，在电子商务、检索服务和电子媒体等行业起着至关重要的作用[1]。一个好的推荐系统不仅能给用户带来更好的体验，也能为企业带来更大的流量和利润。在当前广泛使用的推荐系统中，协同过滤(CF)[2]是一种比较流行的推荐系统实现方式，它通过人与项目之间的用户行为来对项目进行过滤，从而达到推荐的目的。

典型的协同过滤方法有3种实现方式：基于用户的协同过滤、基于项目的协同过滤与基于模型的协同过滤。基于用户的协同过滤通常采用矩阵分解(MF)的方式[3]，通过用户访问行为或用户属性的相似性来对用户可能感兴趣的资源进行推荐。基于项目的协同过滤通过用户访问行为与项目属性得到项目间的相似程度，并根据用户的历史行为对项目进行推荐,如基于项目的协同过滤方法ItemKNN[4]。上述两种协同过滤方式都是基于人与人及项目与项目之间独立同分布的假设，导致在推荐系统启动初期数据不足，使得推荐效果很差。因此，Do等[5]通过分析人与人或项目与项目之间的显式或隐式的耦合关系进行推荐，提出了耦合协同过滤模型。Zhang等[6]利用卷积神经网络可以提取出数据的局部关联特性的特点，深度提取了用户与项目之间的隐式特征，并结合显式特征组成深度学习网络，解决了用户与项目间独立同分布的缺点，实现了耦合的深度学习协同过滤模型CoupledCF，取得了更好的推荐效果。……