推薦系統(tǒng)研究

摘" 要：隨著互聯(lián)網(wǎng)的高速發(fā)展，數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)，這使得用戶需要花費(fèi)大量時(shí)間找到對(duì)自己有用的資源。推薦系統(tǒng)能夠幫助用戶從海量數(shù)據(jù)中找到需要的資源，因此，該文對(duì)推薦系統(tǒng)進(jìn)行研究。首先，描述目前常用的傳統(tǒng)推薦算法，在此基礎(chǔ)上，闡述3種基于深度學(xué)習(xí)的推薦模型，最后，總結(jié)全文并描述下一步研究方向。

關(guān)鍵詞：推薦系統(tǒng)；互聯(lián)網(wǎng)；協(xié)同過濾；算法；深度學(xué)習(xí)

中圖分類號(hào)：TP38" " " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2023）19-0097-04

Abstract： With the rapid development of the Internet， the data is growing exponentially， which makes users need to spend a lot of time to find useful resources for themselves. The recommendation system can help users find the resources they need from the massive data. Therefore， the recommendation system is studied in this paper. First of all， this paper describes the traditional recommendation algorithms commonly used at present， and on this basis， expounds three recommendation models based on deep learning. Finally， it summarizes the full text and describes the next research direction.

Keywords： recommendation system; Internet; collaborative filtering; algorithm; deep learning

當(dāng)今，互聯(lián)網(wǎng)高速發(fā)展，給人們提供了不少便利，使人們可以從網(wǎng)上獲取自己想要的資源，但是，這也使得數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)，從而導(dǎo)致用戶需要花費(fèi)大量時(shí)間找到對(duì)自己有用的資源。因此，如何從海量信息中找到有用的資源成為國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)。為了能夠幫助用戶在海量數(shù)據(jù)中找到需要的資源，推薦系統(tǒng)應(yīng)運(yùn)而生。用戶使用推薦系統(tǒng)后不需要浪費(fèi)太多時(shí)間和精力就能夠獲得適合自己的資源[1-3]。

1975年，Salton等[4]研究了一種基于詞向量的文本文件搜索算法的推薦系統(tǒng)，并將該系統(tǒng)應(yīng)用于互聯(lián)網(wǎng)文檔搜索領(lǐng)域。近年來，推薦系統(tǒng)廣泛應(yīng)用于各個(gè)領(lǐng)域，如新聞、廣告、音樂和購(gòu)物等領(lǐng)域。推薦系統(tǒng)通過對(duì)用戶的歷史行為數(shù)據(jù)進(jìn)行分析研究，可以根據(jù)用戶的日常愛好、關(guān)注領(lǐng)域發(fā)現(xiàn)用戶喜歡的資源，過濾掉不需要的資源。1997年，Resnick等[5]提出非形式化概念的推薦系統(tǒng)，其通過電子商務(wù)網(wǎng)站來模擬銷售人員，根據(jù)銷售人員的推薦，進(jìn)而幫助推薦感興趣的商品，即能夠向用戶推薦商品信息，幫助用戶作出決策，給用戶選擇商品提供了很大的便利條件。推薦系統(tǒng)可分為用戶模型和推薦模型，其中，用戶模型針對(duì)用戶瀏覽軌跡、購(gòu)買記錄等建模。然而，傳統(tǒng)的推薦系統(tǒng)存在稀疏性問題、用戶冷啟動(dòng)、可擴(kuò)展性、多樣性及可解釋性等問題，使得推薦實(shí)時(shí)性差且準(zhǔn)確率較低。因此，為了解決這些問題，國(guó)內(nèi)外學(xué)者將深度學(xué)習(xí)引入到推薦系統(tǒng)中。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的研究方向之一，廣泛應(yīng)用于圖像識(shí)別、自然語言處理、語音識(shí)別等領(lǐng)域，具有較強(qiáng)的學(xué)習(xí)能力，并能挖掘數(shù)據(jù)的隱藏信息。傳統(tǒng)的推薦系統(tǒng)的用戶和物品信息未能充分使用，而深度學(xué)習(xí)可以較方便地利用這些信息，通過挖掘數(shù)據(jù)的潛在特性，獲取用戶和物品的特征描述，進(jìn)而提升推薦系統(tǒng)的整體性能[6-8]。綜上所述，本文研究了基于內(nèi)容的推薦、協(xié)同過濾推薦、混合推薦等傳統(tǒng)的推薦系統(tǒng)，描述了基于自編碼器、受限玻爾茲曼機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法等深度學(xué)習(xí)的推薦系統(tǒng)，在此基礎(chǔ)上，對(duì)傳統(tǒng)推薦系統(tǒng)和深度學(xué)習(xí)推薦系統(tǒng)進(jìn)行了總結(jié)，并對(duì)下一步研究方向進(jìn)行了描述。

1" 傳統(tǒng)推薦系統(tǒng)

推薦系統(tǒng)通過使用不同的網(wǎng)絡(luò)平臺(tái)來向使用者提供商品的詳細(xì)信息，給使用者推薦感興趣的商品，從而幫助使用者完成購(gòu)買過程。推薦系統(tǒng)通過對(duì)用戶的歷史行為數(shù)據(jù)進(jìn)行分析，建立用戶和物品模型，以提取有價(jià)值的信息，然后利用推薦算法來計(jì)算。其中，推薦算法的選擇至關(guān)重要。2022年，蒲岍岍[9]研究了新聞推薦系統(tǒng)。該系統(tǒng)通過分析用戶的歷史行為數(shù)據(jù)和新聞的文本數(shù)據(jù)，對(duì)個(gè)性化重排的新聞推薦算法進(jìn)行了研究。該新聞算法對(duì)新聞的文本數(shù)據(jù)和用戶的歷史行為數(shù)據(jù)進(jìn)行分析，然后構(gòu)建用戶表征向量和新聞表征向量，使用建模候選新聞列表的全局信息，進(jìn)而獲取排序得分，最終為用戶生成結(jié)果列表，實(shí)現(xiàn)路新聞的在線閱讀、模型推理、定時(shí)更新等功能。

傳統(tǒng)推薦算法包括基于內(nèi)容的推薦、協(xié)同過濾推薦、混合推薦等?；趦?nèi)容的推薦算法根據(jù)用戶偏好和項(xiàng)目屬性來計(jì)算之間的相關(guān)性，進(jìn)而根據(jù)用戶的愛好將相似度較高的產(chǎn)品推薦給需要的用戶。基于內(nèi)容的推薦算法通過用戶的歷史記錄，將產(chǎn)品推薦給用戶，可以解決冷啟動(dòng)問題。在推薦過程中，最為關(guān)鍵的是提取物品特征，能夠利用用戶歷史瀏覽物品的內(nèi)容特性構(gòu)建興趣偏好模型，然后通過此模型匹配推薦項(xiàng)目的屬性，進(jìn)而將相似度較高的物品推薦給用戶?；趦?nèi)容的推薦算法不依賴用戶和物品的評(píng)分矩陣，如果推薦系統(tǒng)中用戶很少，也能夠?qū)τ脩敉扑]，但是，該推薦算法有個(gè)缺點(diǎn)就是，其推薦的物品與用戶使用的物品太相似了，因此，較難將新上架的物品推薦給用戶。

協(xié)同過濾（Collaborative Filtering，CF）推薦算法是應(yīng)用較廣泛的個(gè)性化推薦算法，廣泛應(yīng)用于新聞、音樂、電影等領(lǐng)域。1992年，Goldberg等[10]提出協(xié)同過濾系統(tǒng)。該系統(tǒng)利用協(xié)同過濾算法來篩選電子郵件，根據(jù)個(gè)人需要選擇出自己感興趣的郵件，經(jīng)過過濾器的郵件會(huì)優(yōu)先送達(dá)，解決了信息重載問題。其核心思想是通過對(duì)評(píng)分矩陣進(jìn)行研究（通常是用戶對(duì)項(xiàng)目的評(píng)分）來得到用戶、項(xiàng)目之間的關(guān)系，進(jìn)而預(yù)測(cè)新用戶與項(xiàng)目之間的相互關(guān)系，最終給用戶推薦感興趣的產(chǎn)品。

協(xié)同過濾算法[11]主要有基于物品的協(xié)同過濾、基于用戶的協(xié)同過濾及基于模型的協(xié)同過濾。其中，基于用戶的協(xié)同過濾算法根據(jù)收集用戶對(duì)項(xiàng)目的評(píng)分，對(duì)收集的數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建用戶項(xiàng)目評(píng)分矩陣。通過用戶項(xiàng)目評(píng)分矩陣，對(duì)用戶與用戶之間的相似度進(jìn)行計(jì)算，提取與目標(biāo)用戶相似度最高的用戶作為用戶的最近鄰用戶集，根據(jù)目標(biāo)用戶與近鄰用戶之間的相似度和近鄰用戶對(duì)項(xiàng)目的實(shí)際評(píng)分來預(yù)測(cè)目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的評(píng)分，進(jìn)而將評(píng)分較高的項(xiàng)目推薦給用戶?；陧?xiàng)目的協(xié)同過濾算法根據(jù)收集用戶對(duì)項(xiàng)目的評(píng)分，然后預(yù)處理收集的數(shù)據(jù)，構(gòu)建用戶項(xiàng)目評(píng)分矩陣，從而獲取到每個(gè)項(xiàng)目的所有用戶評(píng)分向量，再利用項(xiàng)目的評(píng)分向量和相似度計(jì)算方法得到項(xiàng)目之間的相似度，構(gòu)建項(xiàng)目相似度矩陣，預(yù)測(cè)目標(biāo)用戶對(duì)未評(píng)分項(xiàng)目的評(píng)分，進(jìn)而將評(píng)分較高的項(xiàng)目推薦給用戶。基于模型的協(xié)同過濾推薦算法根據(jù)用戶的歷史行為數(shù)據(jù)，訓(xùn)練出機(jī)器學(xué)習(xí)模型，使用其對(duì)用戶未評(píng)分的項(xiàng)目進(jìn)行評(píng)分，最終向用戶推薦評(píng)分較高的項(xiàng)目?；谀Ｐ偷膮f(xié)同過濾推薦算法，其模型的選擇很重要。但是，協(xié)同過濾算法存在冷啟動(dòng)問題。

因?yàn)閰f(xié)同過濾推薦算法和基于內(nèi)容的推薦算法均存在不同的問題，所以，國(guó)內(nèi)外學(xué)者提出了混合推薦算法?；旌贤扑]算法是通過將多種推薦方法相結(jié)合，利用各自優(yōu)點(diǎn)獲得更好的推薦效果，如可將協(xié)同過濾推薦和基于內(nèi)容推薦的方法相結(jié)合，不僅考慮用戶與用戶的偏好關(guān)系，且能解決冷啟動(dòng)問題，進(jìn)而設(shè)計(jì)出更好的推薦模型。

2" 推薦算法與深度學(xué)習(xí)結(jié)合

深度學(xué)習(xí)技術(shù)在圖像識(shí)別、自然語言處理、語音識(shí)別等領(lǐng)域應(yīng)用較多，能夠利用用戶及物品的輔助信息，具有較好的特征提取能力，因此，將推薦系統(tǒng)與深度學(xué)習(xí)相結(jié)合成為學(xué)術(shù)界研究的熱點(diǎn)問題之一。深度學(xué)習(xí)與推薦算法結(jié)合是在推薦系統(tǒng)中加入深度學(xué)習(xí)，如：自編碼器（Auto Encoder，AE）、受限玻爾茲曼機(jī)（Restricted Boltzmann Machine， RBM）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）等， 進(jìn)而構(gòu)件推薦模型。

2.1" 基于自編碼的推薦系統(tǒng)

自編碼器是一種前饋神經(jīng)網(wǎng)絡(luò)，主要處理維度較高的數(shù)據(jù)，是一種無監(jiān)督的學(xué)習(xí)算法。自編碼器由輸入層、隱藏層和輸出層3個(gè)部分組成，其核心思想是編碼和解碼的映射過程，即從輸入層到隱藏層實(shí)現(xiàn)數(shù)據(jù)重構(gòu)，然后解碼從隱藏層映射到輸出層?；谧跃幋a的推薦系統(tǒng)，能夠緩解冷啟動(dòng)問題。

2015年，Sedhain等[12]提出一種基于常規(guī)自編碼的推薦算法，該算法通過構(gòu)建無監(jiān)督深度學(xué)習(xí)模型，有效地解決標(biāo)簽數(shù)據(jù)稀疏性的問題，具有較好的推薦效果。由于傳統(tǒng)自編碼推薦系統(tǒng)的模型表現(xiàn)能力較差，2016年，謝霖銓等[13]提出一種基于降噪自編碼的推薦算法，該算法通過ZCA白化對(duì)評(píng)分?jǐn)?shù)據(jù)進(jìn)行預(yù)處理，然后加入噪聲讓編碼器學(xué)習(xí)輸入信號(hào)，能夠增強(qiáng)算法的泛化能力，但是，該算法不能改善局部最小問題，且隨機(jī)初始化不能達(dá)到預(yù)期的結(jié)果。2022年，楊陽[14]研究了自編碼機(jī)的推薦算法，在自編碼機(jī)的推薦算法基礎(chǔ)上，提出使用知識(shí)圖譜進(jìn)行特征拓展的雙自編碼機(jī)推薦算法。該算法利用知識(shí)圖譜作為信息特征擴(kuò)展來源，通過自編碼機(jī)模型提取特征，使得數(shù)據(jù)得到較好的使用，解決了特征信息稀疏問題。同時(shí)，為解決向量稀疏性問題，提出了一種潛在語義分析模型增強(qiáng)的自編碼機(jī)推薦算法，提升了推薦效果。

2.2" 基于受限玻爾茲曼機(jī)的推薦系統(tǒng)

受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）是深度學(xué)習(xí)領(lǐng)域重要的模型之一，該模型是玻爾茲曼機(jī)（Boltzmann Machine， BM）的一種特殊的拓?fù)浣Y(jié)構(gòu)，由可見層和隱藏層構(gòu)成，只允許層間連接，層內(nèi)連接是不允許的。受限玻爾茲曼機(jī)可應(yīng)用于物體識(shí)別、圖片分類、協(xié)同過濾等任務(wù)，因此，將受限玻爾茲曼機(jī)用于推薦系統(tǒng)，成為國(guó)內(nèi)外學(xué)者的研究方向。

2014年，孫天凱等[15]提出基于對(duì)稱受限玻爾茲曼機(jī)的協(xié)同過濾算法。該對(duì)稱受限玻爾茲曼機(jī)的協(xié)同過濾算法利用用戶和物品的對(duì)稱性，給用戶和物品分別建立受限玻爾茲曼機(jī)，再利用回歸算法將兩者結(jié)果進(jìn)行融合。文獻(xiàn)[16]通過將項(xiàng)目類別信息與條件受限玻爾茲曼機(jī)模型的推薦算法相融合，解決了傳統(tǒng)受限玻茲曼機(jī)在協(xié)同過濾推薦算法中存在不足的問題。楊春[17]提出一種基于UP_RBM 模型的推薦算法，其根據(jù) RBM模型對(duì)未評(píng)分的項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分，利用學(xué)習(xí)好的受限玻爾茲曼機(jī)模型對(duì)未評(píng)分項(xiàng)目進(jìn)行預(yù)測(cè)評(píng)分，通過融合用戶對(duì)項(xiàng)目的興趣偏好預(yù)測(cè)評(píng)分和受限玻爾茲曼機(jī)模型的預(yù)測(cè)評(píng)分按照適當(dāng)?shù)臋?quán)重，進(jìn)而得到最終預(yù)測(cè)評(píng)分。2022年，謝妙等[18]提出基于深度受限玻爾茲曼機(jī)個(gè)性化推薦算法。該算法利用用戶信息及用戶對(duì)資源的評(píng)分信息，通過受限玻爾茲曼機(jī)網(wǎng)絡(luò)的正反向更新，得到穩(wěn)定的受限玻爾茲曼機(jī)模型，從而提高了推薦模型的推薦效率。

2.3" 基于卷積神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)

卷積神經(jīng)網(wǎng)絡(luò)通過模擬視覺神經(jīng)中樞活動(dòng)方式使得神經(jīng)網(wǎng)絡(luò)具有部分視覺功能，主要由輸入層、卷基層、池化層、全連接層和輸出層構(gòu)成。其中，卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層計(jì)算是通過學(xué)習(xí)數(shù)據(jù)局部特征來提取非結(jié)構(gòu)化數(shù)據(jù)， 然后對(duì)多源異構(gòu)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)。卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)⒍鄻踊畔⑦M(jìn)行融合， 挖掘潛在信息。卷積神經(jīng)網(wǎng)絡(luò)提高了模型的可擴(kuò)展性，可用于圖片推薦、文本推薦和會(huì)話推薦。國(guó)內(nèi)外研究者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到推薦系統(tǒng)。

文獻(xiàn)[19]研究了一種基于卷積神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)。該推薦系統(tǒng)利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)用戶感興趣的圖像進(jìn)行研究，利用余弦相似性得到用戶感興趣的信息，并將其應(yīng)用到酒店預(yù)訂系統(tǒng)，從而將用戶喜歡的住房風(fēng)格推薦給用戶，即通過卷積神經(jīng)網(wǎng)絡(luò)來得到用戶的視覺特征，然后分析視覺特征，從而推薦給用戶感興趣的視覺偏好。Seo等[8]將卷積神經(jīng)網(wǎng)絡(luò)與上下文感知推薦系統(tǒng)結(jié)合，通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建文本信息模型，得到用戶的興趣偏好及項(xiàng)目的特征信息，為提取文本語義信息提供更加精確的推薦效果。2017年，Zheng等[20]構(gòu)建基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)推薦模型，該模型通過分析用戶評(píng)論和商品評(píng)論，利用深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶行為和商品屬性進(jìn)行建模，在lookup層將其轉(zhuǎn)化為對(duì)應(yīng)的詞向量，然后輸入到卷積神經(jīng)網(wǎng)絡(luò)中，從而得到推薦結(jié)果，能夠有效地提高推薦的準(zhǔn)確度。Tang 等將卷積序列嵌入推薦模型。該模型利用卷積序列嵌入模型學(xué)習(xí)序列特征，從而向用戶推薦感興趣的商品。該模型可提高跨任務(wù)的學(xué)習(xí)效率。2017年，Tuan等[21]提出基于3D卷積神經(jīng)網(wǎng)絡(luò)的會(huì)話內(nèi)容推薦算法，該算法將會(huì)話內(nèi)容的屬性進(jìn)行逐個(gè)字符分解，將分解的數(shù)據(jù)進(jìn)行輸入并編碼，利用卷積神經(jīng)網(wǎng)絡(luò)得到物品之間的關(guān)系，進(jìn)而獲得數(shù)據(jù)的內(nèi)部結(jié)構(gòu)。2021年，趙永澤[6]研究了基于神經(jīng)網(wǎng)絡(luò)的推薦算法。該推薦算法分析了卷積神經(jīng)網(wǎng)絡(luò)推薦算法存在的問題，首先提出基于序列模式和空洞卷積算法，對(duì)各種類型的序列模式利用卷積核抽取信息。然后，融合推薦問題和深度神經(jīng)網(wǎng)絡(luò)，提出新的基于卷積神經(jīng)網(wǎng)絡(luò)的推薦算法，將高維的抽象關(guān)系用低維特征來表示，進(jìn)而挖掘隱含信息、擬合深層關(guān)系。最后，通過殘差塊優(yōu)化網(wǎng)絡(luò)模型，將多次卷積提取的物品特征和輸入數(shù)據(jù)相加，從而增強(qiáng)了特征表達(dá)能力，提高了推薦效果。

3" 結(jié)束語

隨著互聯(lián)網(wǎng)的高速發(fā)展，人們可以從網(wǎng)上獲取自己想要的資源，但是，這使得數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)，用戶需要花費(fèi)大量時(shí)間找到對(duì)自己有用的資源。因此，推薦算法的研究成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)之一。本文描述了基于內(nèi)容的推薦、協(xié)同過濾推薦、混合推薦這3種傳統(tǒng)的推薦系統(tǒng)，闡述了基于深度學(xué)習(xí)的推薦系統(tǒng)，如自編碼器、受限玻爾茲曼機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。基于深度學(xué)習(xí)的推薦算法能夠提高算法的推薦效率，然而，當(dāng)前深度學(xué)習(xí)與推薦系統(tǒng)結(jié)合還未完全成熟，后續(xù)將繼續(xù)研究深度學(xué)習(xí)、數(shù)據(jù)挖掘技術(shù)在推薦系統(tǒng)中的應(yīng)用，以期具有更好的推薦效果。

參考文獻(xiàn)：

[1] 劉君良，李曉光.個(gè)性化推薦系統(tǒng)技術(shù)進(jìn)展[J].計(jì)算機(jī)科學(xué)，2020，47（7）：47-55.

[2] 郭艷紅.推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D].大連：大連理工大學(xué)，2008.

[3] 周惠宏，柳益君，張尉青，等.推薦技術(shù)在電子商務(wù)中的運(yùn)用綜述[J].計(jì)算機(jī)應(yīng)用研究，2004，21（1）：8-12.

[4] SALTON G， WONG A， YANG C S. A vector space model for automatic indexing[J]. Communications of the Acm，1975，18（11）：613-620.

[5] RESNICK P，VARIAN H R． Recommender systems[J]．Communications of the Acm，1997，40（3）：56-58．

[6] 趙永澤.基于卷積神經(jīng)網(wǎng)絡(luò)的推薦算法研究[D].成都：電子科技大學(xué)，2021.

[7] 張敏，丁弼原，馬為之，等．基于深度學(xué)習(xí)加強(qiáng)的混合推薦方法[J]．清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2017（10）：1014-1021.

[8] SEO S，HUANG J，YANG H，et al． Interpretable convolutional neural networks with dual local and global attention for review rating prediction[C]//Proceedings of the Eleventh ACM Conference on Recommender Systems，2017：297－305．

[9] 蒲岍岍.個(gè)性化重排的新聞推薦算法研究及系統(tǒng)實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2022.

[10] GOLDBERG D， NICHOLS D， OKI B M， et al. Using collaborative filtering to weave an information tapestry [J]. Commun ACM， 1992，35（12）：61-70.

[11] 王子茹，宋尚文，閻紅燦.協(xié)同過濾推薦算法的性能對(duì)比與分析[J].計(jì)算機(jī)仿真，2022（9）：435-440.

[12] SEDHAIN S， MENON A K， SANNER S， et al. AutoRec： autoencoders meet collaborative filtering[C]// Proceedings of the 24th International Conference on World Wide Web， Florence， 2015：111-112.

[13] 謝霖銓，梁博群.基于降噪自編碼的推薦算法[J].計(jì)算機(jī)與現(xiàn)代化，2016（2）：38-41.

[14] 楊陽.基于自編碼機(jī)的推薦算法研究[D].揚(yáng)州：揚(yáng)州大學(xué)，2022.

[15] 孫天凱，邵曉根，鞠訓(xùn)光.基于對(duì)稱受限玻爾茲曼機(jī)的協(xié)同過濾算法[J].江蘇科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，28（4）：392-394，402.

[16] LIU X M， YANG Y X， RONG W G， et al. Item category aware conditional restricted Boltzmann machine based recommendation[C]// Proceedings of the 22nd International Conference on Neural Information. Istanbul： Springer-Verlag， 2015：609-616.

[17] 楊春.基于RBM模型和LFM模型的推薦算法研究與實(shí)現(xiàn)[D].重慶：重慶郵電大學(xué)，2019.

[18] 謝妙，鄧育林，呂潔.基于深度受限玻爾茲曼機(jī)的個(gè)性化推薦算法[J].數(shù)據(jù)采集與處理，2022，37（2）：456-462.

[19] ZHOU J， ALBATAL R，GURRIN C． Applying visual user interest profiles for recommendation and personalisation[C]// International Conference on Multimedia Modeling，2016：361－366．

[20] ZHENG L，NOROOZI V，YU P S． Joint deep modeling of users and items using reviews for recommendation[C]// Proceedings of the Tenth ACM International Conference on Web Search and Data Mining， 2017：425-434．

[21] TUAN T X， PHUONG T M. 3D convolutional networks for session-based recommendation with content features[C]// Proceedings of the 11th ACM Conference on Recommender systems， 2017：138-146.

第一作者簡(jiǎn)介：趙輝（1986-），女，碩士，工程師。研究方向?yàn)橛?jì)算機(jī)技術(shù)。