刘亦欣，王家伟，李自力

(重庆交通大学信息科学与工程学院, 重庆 400074)

0 引 言

随着网络信息量的不断增长，信息过载现象越来越严重，推荐系统作为一种信息筛选的方法变得越来越重要。推荐系统可以帮助用户在繁杂的数据中快速发现自己想要的信息，能够针对主流商品对所有用户进行推荐，根据二八原则，八成的交易数据都是由20%的用户产生的，因此80%的用户都没有得到更满意的推荐，所以对所有人使用同一套推荐系统变得不再可行，个性化推荐系统便出现了。近年来，越来越多的电子商务公司利用个性化推荐系统[1]对用户的购买行为进行预测，但大多数方法都忽略了用户与商品交互时的时间上下文信息[2]，因为用户的时间上下文信息是动态变化的，所以推荐效果不尽人意，推荐结果的单一化的问题亟待解决。

在众多推荐算法中，基于模型的混合推荐[3-4]是当前应用最广的一种推荐算法，它通过组合后能避免或弥补各自推荐技术的弱点。因子分解机[5](Factorization Machines，FM)主要是解决稀疏数据集下的特征组合问题，对连续和离散特征有较好的通用性。场感知分解机[6](Field-aware Factorization Machine，FFM)通过引入场(field)的概念，FFM把相同性质的特征归于同一个场。这样每一维特征都会针对其他特征的每个场，分别学习到一个隐变量，该隐变量不仅与特征相关，也与场相关。深度因子分解机[7](Deep Factorization Machines，DeepFM)通过加入多层神经网络，解决了FM只用到了特征的二阶组合的缺陷，使用多层神经网络对由输入的一阶特征进行全连接等操作形成的高阶特征进行特征的提取，达到了更好的推荐效果。……