刘慧婷 李茵捷 郭玲玲 陈庚 赵鹏 韩宇晨

(安徽大学 计算机科学与技术学院，安徽 合肥 230601)

随着电子商务中用户和商品数量的爆炸式增长，推荐系统在帮助人们克服信息超载、促进电子商务公司销售方面发挥着越来越重要的作用。在不同的推荐策略中，协同过滤(CF)由于其有效性和快捷性，在过去的几十年中得到了广泛的研究[1- 3]。一些传统的CF方法从用户的使用习惯(如用户-项目的历史交互)中学习用户的偏好，进而完成推荐，但在用户和项目交互稀疏的情况下性能较差[4]。

为了解决传统CF方法面临的稀疏性问题，一些改进的CF方法开始利用并且有效整合其他辅助信息。Koren等[5]把基于模型的CF方法和基于邻居的CF方法有效整合在一起完成推荐，在使用评分矩阵的同时，使用了用户的隐式反馈，如用户的浏览历史、搜索模式甚至鼠标的移动轨迹等。为了更加有效地整合多方面的辅助信息，有研究提出了混合推荐方法。常见的混合推荐方法是将辅助信息与用户ID、项目ID转换成一个通用的特征向量，并将它们输入到监督学习(SL)模型来预测评分。这种混合推荐方法已经得到了广泛的应用，代表性的模型有Wide&Deep[6]、xDeepFM[7]等。

根据评分信息与辅助信息之间是否存在双向交互，混合推荐模型分为松耦合和紧耦合两种方式。Sevil等[8]提出了一种松耦合推荐算法，该算法优先处理辅助信息，然后将处理后的辅助信息传递给CF模型。由于信息的流向是单向的，评分信息无法指导辅助信息特征的提取。……