张天蔚

（山东省计算中心（国家超级计算济南中心），山东 济南 250014）

0 引言

随着互联网的迅猛发展，用户想要从海量的信息中获取自己真正感兴趣的内容已经变成了一件颇有挑战性的工作。解决这种“信息过载”问题的常用技术之一就是推荐系统[1-2]。推荐系统往往利用用户对于项目的历史交互数据信息（如评分、评论、历史购买记录等）[3]建立模型来挖掘用户与项目之间的隐性关联[4-5]，从而得以为用户推荐与其喜好的历史交互项目高度相似的新项目，帮助用户筛选出其需要的信息[6-7]。

协 同 过 滤（Collaborative Filtering，CF）算 法[8]是 推荐系统中最为主流和使用最为广泛的算法之一[9]。而对于推荐系统而言，按照其最终进行推荐的方式又可以将推荐算法分为两类：评分预测推荐算法[10]与排序推荐算法[11]。作为基于历史交互项的协同过滤评分预测推荐算法的代表，矩阵分解（Matrix Factorization，MF）算法[12]将用户和项目分别抽象为向量映射到更高维度的隐空间中[13]，并在最终评分预测计算环节引入偏置项来表征用户的打分习惯和项目给大众的整体印象，将偏置项合并入最终的评分预测计算中，从而提高预测的性能[14]。然而，这种针对用户和项目分别独立设置的偏置项忽视了用户与项目之间的相关性，不能准确地表征用户对于某一类项目的个人偏好，而这种偏好很可能是优先于用户日常的打分习惯的，因而影响了推荐的精确度和泛用性。

神经协同过滤（Neural Collaborative Filtering，NCF）算法[15]是协同过滤排序推荐算法的代表作之一。……