摘  要：基于线性模型的矩阵分解推荐算法对信息的特征提取单一，当用户和物品含有大量隐含信息时，无法满足用户需求的个性化推荐。针对此问题，提出一种评分和社会标签融合的卷积神经网络推荐算法，该算法能够根据上下文信息，利用非线性模型提取隐含高阶信息，处理复杂且稀疏的数据。首先，设计由两路由多层感知器和卷积神经网络组成的深层网络结构，分别实现利用社会标签信息和用户评分信息建模用户兴趣和项目信息的潜在特征向量;然后，构建对多层神经网络学习后的结果进行融合的输出层，得出预测结果;最后，运用真实数据集进行实验验证。结果表明，该算法与当前主流的推荐模型相比，能更好地利用社会标签信息进行精准推荐。

关键词：评分;社会标签;卷积神经网络;推荐模型

中图分类号：TP391.3     文献标识码：A

文章编号：2096-1472（2021）-09-28-04

Abstract： Matrix factorization recommendation algorithm based on linear model extracts single characteristics of information. It cannot meet user's need for personalized recommendation when users and items contain a large amount of hidden information. Aiming at this problem， this paper proposes a convolutional neural network recommendation algorithm combining rating and social tags. The algorithm can extract hidden high-order information using a nonlinear model based on context information， and process complex and sparse data. First， a deep network structure composed of two-route multi-layer sensors and convolutional neural networks is designed， which realizes the use of social tag information and user rating information to model the potential feature vectors of user interests and item information. Then， a multi-layer neural network after learning is built， and the fusion output layer is used to obtain the prediction result. Finally， the real data set is used for experimental verification. The results show that compared with the current mainstream recommendation models， the proposed algorithm can better utilize social tag information for accurate recommendation.

Keywords： rating; social tag; convolutional neural network; recommendation model

1   引言（Introduction）

隨着社会化网络的迅速发展，网络上充斥着各个领域的海量数据，信息过载问题日益严峻。推荐系统已经成为确保用户在网络中快速获取所需信息的一个重要技术手段，也是当前世界各国学者及工业界研究的一个热点问题。近些年，一些人工智能、机器学习、数据挖掘等领域的重要学术会议已经将推荐系统列为其中的一个重要研究方向，推荐技术得到前所未有的发展。

推荐系统的发展主要经历了三个阶段：基于内容的推荐、协同过滤推荐及基于深度学习的推荐。传统的基于内容的推荐主要根据上下文选择资源描述相似的项目向用户推荐。……