基于深度學(xué)習(xí)和社交關(guān)系正則化的混合協(xié)同過(guò)濾推薦算法.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)信息呈現(xiàn)爆炸式的增長(zhǎng)，其結(jié)構(gòu)也變得越加復(fù)雜。海量信息的呈現(xiàn)，使得用戶(hù)很難從中發(fā)現(xiàn)自己感興趣的內(nèi)容，而推薦系統(tǒng)可以幫助用戶(hù)發(fā)掘更深次的需求，給用戶(hù)帶來(lái)個(gè)性化的體驗(yàn)。此外，推薦系統(tǒng)可以幫助用戶(hù)更容易地找到他們需要的產(chǎn)品，也可以通過(guò)改進(jìn)用戶(hù)體驗(yàn)幫助企業(yè)提升用戶(hù)忠誠(chéng)度從而把更多的潛在用戶(hù)轉(zhuǎn)換為產(chǎn)品購(gòu)買(mǎi)者。同時(shí)，推薦系統(tǒng)也具有研究?jī)r(jià)值，涉及計(jì)算數(shù)學(xué)，認(rèn)知科學(xué)，信息科學(xué)等學(xué)科。
　　在推薦系統(tǒng)中，協(xié)同過(guò)濾是目前應(yīng)用最

2、廣泛的一種個(gè)性化推薦技術(shù)。傳統(tǒng)的協(xié)同過(guò)濾方法僅僅使用用戶(hù)對(duì)物品的評(píng)分矩陣進(jìn)行推薦。在實(shí)際情況中，通常用戶(hù)的評(píng)分矩陣非常稀疏，從而導(dǎo)致推薦效果不佳。在這種情況下，一些模型嘗試使用物品內(nèi)容信息來(lái)緩解數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題。然而，當(dāng)這些內(nèi)容信息也非常稀疏時(shí)，很難從這些模型中學(xué)習(xí)到準(zhǔn)確的特征表示進(jìn)行推薦。
　　為了應(yīng)對(duì)這些問(wèn)題，本文提出了基于深度學(xué)習(xí)和社交關(guān)系正則化的混合協(xié)同過(guò)濾推薦模型(CDL-SR)。其中，社交正則化在推薦系統(tǒng)中表示一種

3、社交約束。該模型利用深度學(xué)習(xí)強(qiáng)大的特征表達(dá)能力，將通過(guò)深度學(xué)習(xí)算法自動(dòng)學(xué)習(xí)到的物品特征表達(dá)向量同矩陣分解后的評(píng)分矩陣有效融合，并通過(guò)在目標(biāo)函數(shù)中加入社交正則項(xiàng)，讓存在社交關(guān)系的物品(如存在引用關(guān)系的論文)的隱式特征向量具有較高相似度以進(jìn)一步提高推薦效果。CDL-SR模型不僅可以提供新用戶(hù)的個(gè)性化推薦信息（冷啟動(dòng)），還有利于解決用戶(hù)評(píng)分矩陣及物品的文本、屬性、碼流等信息的數(shù)據(jù)稀疏問(wèn)題。
　　本文以 CiteUlike論文集為樣本進(jìn)行