基于深度學習和社交關系正則化的混合協(xié)同過濾推薦算法.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡信息呈現(xiàn)爆炸式的增長，其結構也變得越加復雜。海量信息的呈現(xiàn)，使得用戶很難從中發(fā)現(xiàn)自己感興趣的內(nèi)容，而推薦系統(tǒng)可以幫助用戶發(fā)掘更深次的需求，給用戶帶來個性化的體驗。此外，推薦系統(tǒng)可以幫助用戶更容易地找到他們需要的產(chǎn)品，也可以通過改進用戶體驗幫助企業(yè)提升用戶忠誠度從而把更多的潛在用戶轉換為產(chǎn)品購買者。同時，推薦系統(tǒng)也具有研究價值，涉及計算數(shù)學，認知科學，信息科學等學科。
　　在推薦系統(tǒng)中，協(xié)同過濾是目前應用最

2、廣泛的一種個性化推薦技術。傳統(tǒng)的協(xié)同過濾方法僅僅使用用戶對物品的評分矩陣進行推薦。在實際情況中，通常用戶的評分矩陣非常稀疏，從而導致推薦效果不佳。在這種情況下，一些模型嘗試使用物品內(nèi)容信息來緩解數(shù)據(jù)稀疏和冷啟動問題。然而，當這些內(nèi)容信息也非常稀疏時，很難從這些模型中學習到準確的特征表示進行推薦。
　　為了應對這些問題，本文提出了基于深度學習和社交關系正則化的混合協(xié)同過濾推薦模型(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。該模型利用深度學習強大的特征表達能力，將通過深度學習算法自動學習到的物品特征表達向量同矩陣分解后的評分矩陣有效融合，并通過在目標函數(shù)中加入社交正則項，讓存在社交關系的物品(如存在引用關系的論文)的隱式特征向量具有較高相似度以進一步提高推薦效果。CDL-SR模型不僅可以提供新用戶的個性化推薦信息（冷啟動），還有利于解決用戶評分矩陣及物品的文本、屬性、碼流等信息的數(shù)據(jù)稀疏問題。
　　本文以 CiteUlike論文集為樣本進行