张 宇， 程 玉，陈建峡， 周世星， 高 奕

(湖北工业大学计算机学院， 湖北 武汉 430068)

随着在线学习系统上发布的课程不断增多，用户容易由于课程资源的繁多而不知所措，提高了用户获取所需资源的难度。智能推荐系统可以明显改善以上问题。智能推荐技术能够在纷繁复杂的信息里提取出需要的信息，也可以根据日志信息进行用户推荐。时至今日，推荐系统的研究热点和被关注程度都很高，应用前景也很宽广。传统的推荐方法尽管可以完成推荐任务，但是面对冷启动和习数矩阵的问题效果有限。而融合多元异构信息的混合推荐方法可以缓和以上问题，但是在辅助信息具有大规模、多模态、数据异构、数据稀疏以及分布不均匀等特点时也面临挑战。

目前，随着深度学习在很多相关领域比如推荐和自然语言处理领域的推广，基于深度学习的推荐系统比起传统的推荐模型更加强大，推荐质量更高。2015年，纪淑娟等人[1]通过神经网络获取了用户视频中的隐形评分；李贵、王爽等人[2]通过三维张量模型，对三种实体(用户-物品-标签)完成了潜在语义关联分析，提升了标签推荐系统的准确性；LiSheng等人[3]结合矩阵分解和深度学习提出了一种协同过滤深层体系结构，使用分解评分矩阵，然后使用深度学习得到评分和边缘信息里的潜在因素，来使得协同过滤时潜在学习因素效果更加明显。2016年，TrapitBansal等人[4]提出了一种可以很好解决冷启动问题的方法，这种方法使用了深递归神经网络；……