李昆仑，于志波，翟利娜，赵佳耀

（河北大学电子信息工程学院，河北保定 071000）

0 概述

随着互联网技术的发展，数据超载成为当今数据爆炸时代面临的困境之一。为解决数据超载难题，推荐系统应运而生。推荐系统旨在从庞大的数据中筛选出用户感兴趣的内容并推荐给用户，使在线用户快速找到符合他们需要的个性化信息［1］。经过多年发展，推荐系统的推荐性能得到了极大的提升。目前推荐算法主要分为基于协同过滤的推荐算法［2］、基于内容的推荐算法［3］和混合推荐算法［4］。基于协同过滤的推荐算法通过获取用户的历史行为和评分数据找到相似用户，通过获取相似用户的喜好并向用户推荐其未曾浏览过的项目。基于内容的推荐算法主要依据用户已经选择的项目或者评分，根据用户的历史行为信息去寻找与之相似的项目进行推荐。混合推荐算法将不同的推荐算法进行融合后再推荐，获得更好的推荐效果。随着数据不断增长，数据类型也越来越多样化。传统推荐算法无法学习到用户或项目的深层次特征。如何充分利用多源异构数据提高推荐系统性能，成为推荐系统研究的热点［5］。

近年来，深度学习（Deep Learning，DL）具有自身强大的学习能力，在图像识别、语音识别、自然语言处理等领域得到广泛的应用［6］。深度学习善于挖掘和学习多源异构数据中深层次的特征，通过将其与推荐系统结合获得更高效的学习用户和项目属性的隐藏特征［7］。……