基于深度神经网络的协同过滤推荐算法研究论文

　　近年来，深度神经网络（DeepNeural Networks，DNNs）在计算机视觉、自然语言处理等多个领域获得巨大成功，而基于DNNs的个性化推荐研究工作相对较少。近期一些相关工作将DNNs应用于推荐系统中，但是其主要思想是利用DNNs对物品的文本描述、图像的视觉特征等辅助信息进行特征抽取后将其融入推荐模型中。而对于推荐系统中的关键问题——协同过滤（Collaborative Filtering，CF）——仍寻求于传统的矩阵分解（Matrix Factorization，MF）模型，简单地使用内积函数从用户-物品交互数据中建模用户和物品或物品和物品间的线性关系。而用户-物品交互数据是高度非线性的，以线性模型试图拟合这些数据既不合理也极度不充分。鉴于DNNs强大的非线性建模能力，本文尝试对基于DNNs实现个性化推荐进行探索并试图解决CF这个关键问题，利用DNNs建模用户和物品以及物品和物品之间复杂的非线性交互关系。本文工作围绕推荐系统两个经典任务展开：评分预测和Top-N物品推荐。（1）基于MF的推荐模型在解决面向显式反馈的评分预测任务因其有效性而受到业界关注，但其表现会因简单地使用内积建模用户-物品交互关系受到限制。针对MF模型的缺陷，本文基于深层通用CF框架NCF（Neural network-based Collaborative Filtering）建模用户和物品间的复杂交互解决评分预测任务。实验结果表明，DNNs能够有效地建模出用户和物品间的非线性交互关系，同时也验证了NCF框架在评分预测任务上的通用性。（2）Item-based CF模型因其可解释性和高效性被广泛用于实际推荐系统中，其关键在于物品相似度的估算。早期相关方法从统计学角度计算物品相似性因缺乏物品特征学习而致使效果不佳。尽管后来涌现出基于机器学习的方法通过优化目标函数学习物品间的相似度，但其依旧使用线性核函数建模物品间的低阶交互而导致其推荐效果受限。受NCF框架启发，本文为Item-based CF方法提供了一个深度学习视角，建模物品之间的高阶非线性交互关系。同时，引入Attention机制区分用户不同的历史交互物品对模型最终预测的贡献程度。实验结果表明，本文提出的深层Item-based协同过滤模型能够突破现有Item-based模型的瓶颈，有效地建模出物品间的高阶非线性交互，实现面向隐式反馈的Top-N物品推荐。