融合用户潜在特征的深度跨域推荐方法

摘要

冷启动用户推荐是跨域推荐中具有挑战性的问题。目前提出的跨域模型大多使用评分信息获得冷启动用户在目标域中的潜在特征，然而评分信息又相对稀疏。为更好地获得冷启动用户的偏好特征，提出同时为源域与目标域融合评论信息的新型跨域推荐模型DRCDR。该模型使用两个源域的信息为用户提供数据，并且在处理评分信息的同时，考虑到具有时序性的评论中蕴含的上下文信息，进而为源域与目标域同步添加评论信息。DRCDR同时采用新的融合方法融合两个源域信息，并使用多层感知机获得源域与目标域之间的非线性映射函数，最终实现跨域推荐。真实数据集上的实验结果表明，该跨域推荐方法的RMSE和MAE相较于以往跨域方法提高了2%~4%，能够有效实现跨域推荐。

0 引言

当前科技的迅速发展，使得各种类型的网站如雨后春笋般出现，造成数据进一步爆炸式增长。因此，用户若想从庞大的数据中筛选出真正感兴趣的事物，需要花费大量时间。推荐系统可以在搜集多类信息时，为用户推送符合其需求的产品。作为目前应用最广泛的单领域推荐技术，协作过滤算法得到了学术界和工业界的重点关注［1-4］<