纪佳琪，蔡永华+，郭景峰

(1.河北民族师范学院 数学与计算机科学学院，河北 承德 067000；2.燕山大学 信息科学与工程学院，河北 秦皇岛 066000)

0 引 言

在海量数据中获取有价值信息是大数据时代面临的一大问题，虽然搜索引擎能够根据关键词快速地检索到有用信息，但是这种检索是同一的且不是个性化的。推荐系统可以很好地解决个性化推荐问题，它根据用户的历史行为数据为用户匹配自身需求。在早期的推荐模型中，使用的训练数据大多是用户对物品评分的显式数据[1]，由于不同用户对同一物品的评分存在差异较大，一种带有偏置项的矩阵分解技术解决了这个问题[2]。为了解决显式数据稀疏性的问题，引入了额外数据到矩阵分解模型，如基于社交关系的矩阵分解模型[3]、使用物品内容和评论的基于主题的矩阵分解模型[4]等。然而，仅仅使用显式数据的推荐模型并不能产生较好的推荐结果，为此一些研究使用收藏、购买等隐式数据对推荐结果有了一定的提高[5,6]。近些年深度学习[8-10]理论也成功地应用到了推荐系统，如使用显式数据基于受限玻尔兹曼机的推荐模型[10]、基于自编码器和降噪自动编码机的推荐模型[11]等。这些研究成果的核心思想是使用显式数据通过学习他们间的深度隐结构来完成推荐。也有一些研究使用隐式数据基于深度学习的推荐模型，如协同降噪自动编码器[12]使用隐式数据构建用户偏好，神经协同过滤[13]使用多层感知神经网络对用户和物品的交互进行建模。……