摘" 要：隨著互聯(lián)網的高速發(fā)展，數據呈指數級增長，這使得用戶需要花費大量時間找到對自己有用的資源。推薦系統(tǒng)能夠幫助用戶從海量數據中找到需要的資源，因此，該文對推薦系統(tǒng)進行研究。首先，描述目前常用的傳統(tǒng)推薦算法，在此基礎上，闡述3種基于深度學習的推薦模型，最后，總結全文并描述下一步研究方向。

關鍵詞：推薦系統(tǒng)；互聯(lián)網；協(xié)同過濾；算法；深度學習

中圖分類號：TP38" " " " 文獻標志碼：A" " " " " 文章編號：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

當今，互聯(lián)網高速發(fā)展，給人們提供了不少便利，使人們可以從網上獲取自己想要的資源，但是，這也使得數據呈指數級增長，從而導致用戶需要花費大量時間找到對自己有用的資源。因此，如何從海量信息中找到有用的資源成為國內外學者的研究熱點。為了能夠幫助用戶在海量數據中找到需要的資源，推薦系統(tǒng)應運而生。用戶使用推薦系統(tǒng)后不需要浪費太多時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)應用于互聯(lián)網文檔搜索領域。近年來，推薦系統(tǒng)廣泛應用于各個領域，如新聞、廣告、音樂和購物等領域。推薦系統(tǒng)通過對用戶的歷史行為數據進行分析研究，可以根據用戶的日常愛好、關注領域發(fā)現用戶喜歡的資源，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)，其通過電子商務網站來模擬銷售人員，根據銷售人員的推薦，進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，用戶模型針對用戶瀏覽軌跡、購買記錄等建模。然而，傳統(tǒng)的推薦系統(tǒng)存在稀疏性問題、用戶冷啟動、可擴展性、多樣性及可解釋性等問題，使得推薦實時性差且準確率較低。因此，為了解決這些問題，國內外學者將深度學習引入到推薦系統(tǒng)中。深度學習是機器學習領域的研究方向之一，廣泛應用于圖像識別、自然語言處理、語音識別等領域，具有較強的學習能力，并能挖掘數據的隱藏信息。傳統(tǒng)的推薦系統(tǒng)的用戶和物品信息未能充分使用，而深度學習可以較方便地利用這些信息，通過挖掘數據的潛在特性，獲取用戶和物品的特征描述，進而提升推薦系統(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、卷積神經網絡等深度學習算法等深度學習的推薦系統(tǒng)，在此基礎上，對傳統(tǒng)推薦系統(tǒng)和深度學習推薦系統(tǒng)進行了總結，并對下一步研究方向進行了描述。

1" 傳統(tǒng)推薦系統(tǒng)

推薦系統(tǒng)通過使用不同的網絡平臺來向使用者提供商品的詳細信息，給使用者推薦感興趣的商品，從而幫助使用者完成購買過程。推薦系統(tǒng)通過對用戶的歷史行為數據進行分析，建立用戶和物品模型，以提取有價值的信息，然后利用推薦算法來計算。其中，推薦算法的選擇至關重要。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據和新聞的文本數據，對個性化重排的新聞推薦算法進行了研究。該新聞算法對新聞的文本數據和用戶的歷史行為數據進行分析，然后構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，進而獲取排序得分，最終為用戶生成結果列表，實現路新聞的在線閱讀、模型推理、定時更新等功能。

傳統(tǒng)推薦算法包括基于內容的推薦、協(xié)同過濾推薦、混合推薦等?；趦热莸耐扑]算法根據用戶偏好和項目屬性來計算之間的相關性，進而根據用戶的愛好將相似度較高的產品推薦給需要的用戶?；趦热莸耐扑]算法通過用戶的歷史記錄，將產品推薦給用戶，可以解決冷啟動問題。在推薦過程中，最為關鍵的是提取物品特征，能夠利用用戶歷史瀏覽物品的內容特性構建興趣偏好模型，然后通過此模型匹配推薦項目的屬性，進而將相似度較高的物品推薦給用戶?；趦热莸耐扑]算法不依賴用戶和物品的評分矩陣，如果推薦系統(tǒng)中用戶很少，也能夠對用戶推薦，但是，該推薦算法有個缺點就是，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）推薦算法是應用較廣泛的個性化推薦算法，廣泛應用于新聞、音樂、電影等領域。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，根據個人需要選擇出自己感興趣的郵件，經過過濾器的郵件會優(yōu)先送達，解決了信息重載問題。其核心思想是通過對評分矩陣進行研究（通常是用戶對項目的評分）來得到用戶、項目之間的關系，進而預測新用戶與項目之間的相互關系，最終給用戶推薦感興趣的產品。

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)同過濾算法根據收集用戶對項目的評分，對收集的數據進行預處理，構建用戶項目評分矩陣。通過用戶項目評分矩陣，對用戶與用戶之間的相似度進行計算，提取與目標用戶相似度最高的用戶作為用戶的最近鄰用戶集，根據目標用戶與近鄰用戶之間的相似度和近鄰用戶對項目的實際評分來預測目標用戶對未評分項目的評分，進而將評分較高的項目推薦給用戶?；陧椖康膮f(xié)同過濾算法根據收集用戶對項目的評分，然后預處理收集的數據，構建用戶項目評分矩陣，從而獲取到每個項目的所有用戶評分向量，再利用項目的評分向量和相似度計算方法得到項目之間的相似度，構建項目相似度矩陣，預測目標用戶對未評分項目的評分，進而將評分較高的項目推薦給用戶。基于模型的協(xié)同過濾推薦算法根據用戶的歷史行為數據，訓練出機器學習模型，使用其對用戶未評分的項目進行評分，最終向用戶推薦評分較高的項目?；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問題。

因為協(xié)同過濾推薦算法和基于內容的推薦算法均存在不同的問題，所以，國內外學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合，利用各自優(yōu)點獲得更好的推薦效果，如可將協(xié)同過濾推薦和基于內容推薦的方法相結合，不僅考慮用戶與用戶的偏好關系，且能解決冷啟動問題，進而設計出更好的推薦模型。

2" 推薦算法與深度學習結合

深度學習技術在圖像識別、自然語言處理、語音識別等領域應用較多，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)與深度學習相結合成為學術界研究的熱點問題之一。深度學習與推薦算法結合是在推薦系統(tǒng)中加入深度學習，如：自編碼器（Auto Encoder，AE）、受限玻爾茲曼機（Restricted Boltzmann Machine， RBM）、卷積神經網絡（Convolutional Neural Network， CNN）等， 進而構件推薦模型。

2.1" 基于自編碼的推薦系統(tǒng)

自編碼器是一種前饋神經網絡，主要處理維度較高的數據，是一種無監(jiān)督的學習算法。自編碼器由輸入層、隱藏層和輸出層3個部分組成，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現數據重構，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，該算法通過構建無監(jiān)督深度學習模型，有效地解決標簽數據稀疏性的問題，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白化對評分數據進行預處理，然后加入噪聲讓編碼器學習輸入信號，能夠增強算法的泛化能力，但是，該算法不能改善局部最小問題，且隨機初始化不能達到預期的結果。2022年，楊陽[14]研究了自編碼機的推薦算法，在自編碼機的推薦算法基礎上，提出使用知識圖譜進行特征拓展的雙自編碼機推薦算法。該算法利用知識圖譜作為信息特征擴展來源，通過自編碼機模型提取特征，使得數據得到較好的使用，解決了特征信息稀疏問題。同時，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的自編碼機推薦算法，提升了推薦效果。

2.2" 基于受限玻爾茲曼機的推薦系統(tǒng)

受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）是深度學習領域重要的模型之一，該模型是玻爾茲曼機（Boltzmann Machine， BM）的一種特殊的拓撲結構，由可見層和隱藏層構成，只允許層間連接，層內連接是不允許的。受限玻爾茲曼機可應用于物體識別、圖片分類、協(xié)同過濾等任務，因此，將受限玻爾茲曼機用于推薦系統(tǒng)，成為國內外學者的研究方向。

2014年，孫天凱等[15]提出基于對稱受限玻爾茲曼機的協(xié)同過濾算法。該對稱受限玻爾茲曼機的協(xié)同過濾算法利用用戶和物品的對稱性，給用戶和物品分別建立受限玻爾茲曼機，再利用回歸算法將兩者結果進行融合。文獻[16]通過將項目類別信息與條件受限玻爾茲曼機模型的推薦算法相融合，解決了傳統(tǒng)受限玻茲曼機在協(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 RBM模型對未評分的項目進行預測評分，利用學習好的受限玻爾茲曼機模型對未評分項目進行預測評分，通過融合用戶對項目的興趣偏好預測評分和受限玻爾茲曼機模型的預測評分按照適當的權重，進而得到最終預測評分。2022年，謝妙等[18]提出基于深度受限玻爾茲曼機個性化推薦算法。該算法利用用戶信息及用戶對資源的評分信息，通過受限玻爾茲曼機網絡的正反向更新，得到穩(wěn)定的受限玻爾茲曼機模型，從而提高了推薦模型的推薦效率。

2.3" 基于卷積神經網絡的推薦系統(tǒng)

卷積神經網絡通過模擬視覺神經中樞活動方式使得神經網絡具有部分視覺功能，主要由輸入層、卷基層、池化層、全連接層和輸出層構成。其中，卷積神經網絡的卷積層和池化層計算是通過學習數據局部特征來提取非結構化數據， 然后對多源異構數據進行表征學習。卷積神經網絡能夠將多樣化信息進行融合， 挖掘潛在信息。卷積神經網絡提高了模型的可擴展性，可用于圖片推薦、文本推薦和會話推薦。國內外研究者將卷積神經網絡應用到推薦系統(tǒng)。

文獻[19]研究了一種基于卷積神經網絡的推薦系統(tǒng)。該推薦系統(tǒng)利用卷積神經網絡對用戶感興趣的圖像進行研究，利用余弦相似性得到用戶感興趣的信息，并將其應用到酒店預訂系統(tǒng)，從而將用戶喜歡的住房風格推薦給用戶，即通過卷積神經網絡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]將卷積神經網絡與上下文感知推薦系統(tǒng)結合，通過卷積神經網絡構建文本信息模型，得到用戶的興趣偏好及項目的特征信息，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]構建基于注意力機制的卷積神經網絡推薦模型，該模型通過分析用戶評論和商品評論，利用深度卷積神經網絡模型對用戶行為和商品屬性進行建模，在lookup層將其轉化為對應的詞向量，然后輸入到卷積神經網絡中，從而得到推薦結果，能夠有效地提高推薦的準確度。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習序列特征，從而向用戶推薦感興趣的商品。該模型可提高跨任務的學習效率。2017年，Tuan等[21]提出基于3D卷積神經網絡的會話內容推薦算法，該算法將會話內容的屬性進行逐個字符分解，將分解的數據進行輸入并編碼，利用卷積神經網絡得到物品之間的關系，進而獲得數據的內部結構。2021年，趙永澤[6]研究了基于神經網絡的推薦算法。該推薦算法分析了卷積神經網絡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網絡，提出新的基于卷積神經網絡的推薦算法，將高維的抽象關系用低維特征來表示，進而挖掘隱含信息、擬合深層關系。最后，通過殘差塊優(yōu)化網絡模型，將多次卷積提取的物品特征和輸入數據相加，從而增強了特征表達能力，提高了推薦效果。

3" 結束語

隨著互聯(lián)網的高速發(fā)展，人們可以從網上獲取自己想要的資源，但是，這使得數據呈指數級增長，用戶需要花費大量時間找到對自己有用的資源。因此，推薦算法的研究成為國內外學者研究的熱點之一。本文描述了基于內容的推薦、協(xié)同過濾推薦、混合推薦這3種傳統(tǒng)的推薦系統(tǒng)，闡述了基于深度學習的推薦系統(tǒng)，如自編碼器、受限玻爾茲曼機、卷積神經網絡等深度學習算法?；谏疃葘W習的推薦算法能夠提高算法的推薦效率，然而，當前深度學習與推薦系統(tǒng)結合還未完全成熟，后續(xù)將繼續(xù)研究深度學習、數據挖掘技術在推薦系統(tǒng)中的應用，以期具有更好的推薦效果。

參考文獻：

[1] 劉君良，李曉光.個性化推薦系統(tǒng)技術進展[J].計算機科學，2020，47（7）：47-55.

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

[3] 周惠宏，柳益君，張尉青，等.推薦技術在電子商務中的運用綜述[J].計算機應用研究，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.基于卷積神經網絡的推薦算法研究[D].成都：電子科技大學，2021.

[7] 張敏，丁弼原，馬為之，等．基于深度學習加強的混合推薦方法[J]．清華大學學報：自然科學版，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.個性化重排的新聞推薦算法研究及系統(tǒng)實現[D].成都：電子科技大學，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比與分析[J].計算機仿真，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].計算機與現代化，2016（2）：38-41.

[14] 楊陽.基于自編碼機的推薦算法研究[D].揚州：揚州大學，2022.

[15] 孫天凱，邵曉根，鞠訓光.基于對稱受限玻爾茲曼機的協(xié)同過濾算法[J].江蘇科技大學學報（自然科學版），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現[D].重慶：重慶郵電大學，2019.

[18] 謝妙，鄧育林，呂潔.基于深度受限玻爾茲曼機的個性化推薦算法[J].數據采集與處理，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.

第一作者簡介：趙輝（1986-），女，碩士，工程師。研究方向為計算機技術。