郑 诚，付 娴，董露露

1(安徽大学 计算机科学与技术学院，合肥 230601)2(安徽广播电视大学 教务处，合肥 230022)

1 引 言

随着大数据时代的到来，超载的网上信息将用户淹没，帮助用户从大量资源中发现可能感兴趣项目的推荐系统，在各种线上平台中发挥着越来越重要的作用.协同过滤CF(Collaborative Filtering)[1]是目前使用最为广泛的推荐算法，其基本思想是，过去有过相似交互行为的人，未来可能会有相似的选择.

为了充分挖掘用户相似的偏好，潜在因子模型(如矩阵分解)[2]提出，该方法通常将用户-项目交互矩阵(评分矩阵)分解为低维的用户矩阵和项目矩阵，然后利用低维矩阵进行评分预测.然而，潜在因子模型通常存在冷启动问题，因此，许多扩展的潜在因子模型在矩阵分解框架下整合了辅助信息，如Zhao等人[3]提出将社会关系加入到推荐中，冯兴杰等人[4]联合评论文本及评分矩阵共同学习出用户和项目的潜在特征向量，进一步提升模型推荐效果.孟祥福等人[5]考虑到空间兴趣点之间存在的位置关系和社会关系，统一构建了兴趣点的地理-社会关系模型.最近，一个新的趋势是Wang等人[6]提出的利用项目知识图进行推荐，通过用户和项目之间的属性将用户-项目实例链接在一起，并通过抽取高阶链接路径来表达网络中的节点.

近年来随着深度学习的兴起，许多作品开始使用深度模型(如利用文本信息、图像信息[7]和网络结构信息[8])进行更有效的推荐.深度神经网络也被用……