推荐系统——Dual-regularized matrix factorization with deep neural networks for recommender systems

论文描述：

*由于深度学习强大的表示学习能力，许多推荐系统通过融合深度学习算法与传统的矩阵分解模型，得到比较好的推荐性能。最近一些研究通过神经网络以深入表示商品的内容信息，并通过生成更准确的商品潜在模型使得推荐系统得到进一步的提升。但是这些模型并未充分利用用户和商品的文本信息。

*在本文中，我们提出了使用深度神经网络的双向正则化矩阵分解模型（dual-regularized matrix factorization with deep neural networks， DRMF）来进一步充分利用用户和商品的描述性文本信息。DRMF采用叠加卷积神经网络和门控循环神经网络，生成用户和商品内容的独立分布表示。然后，将该表示用于规范矩阵分解中的用户和商品的潜在模型的生成。最后，我们提出了一种新的优化算法学习DPMF中的所有参数。

 

参考文献：

Wu H, Zhang Z, Yue K, et al. Dual-regularized matrix factorization with deep neural networks for recommender systems[J]. Knowledge-Based Systems, 2018, 145: 46-58.