周雕，郝胜男

（华北理工大学人工智能学院，唐山063210）

0 引言

在数据爆炸式增长的时代，如何从海量数据中获取关键有效的数据是人们所面临的一个难题，而推荐系统的出现为这个难题提供了有效解决方案。过去，常用的推荐算法主要有基于用户的协同过滤、基于物品的协同过滤、基于内容的推荐、基于知识的推荐等，其中协同过滤是推荐系统中应用最为广泛的算法。

但是近年来，许多学者已经不再局限于研究传统算法，越来越多的推荐系统研究工作基于深度学习展开。例如，He X等人[1]提出了一种神经协同过滤框架，该框架结合协同过滤的思想，并使用神经网络代替传统的内积操作，是一种推荐系统通用框架。Cheng H T等人[2]提出了Wide&Deep模型，该模型由Wide部分和Deep部分组成，兼具较好的记忆能力与泛化能力。而在实际应用中，YouTube提出了一种基于DNN的视频推荐模型[3]，该模型能够从百万视频数据中迅速生成候选集，并实现Top-K推荐。阿里巴巴提出了一种深度兴趣网络[4]，该网络能够高效地利用用户行为数据并准确地捕捉用户的偏好特征。上述工作给推荐系统的研究提供了很好的建议。

一个良好的推荐系统往往需要高精度的数据支撑，然而现实中，用于模型训练的数据往往具有庞大、稀疏、噪声大等问题，这些问题给推荐模型的准确度、鲁棒性带来了极大的挑战。因此，提出一种分类训练方法，通过K-means[5]将训练集中的用户按照历史行为聚类成不同的簇，然后将各簇数据输入神经网络进行并行训练。……