龙源期刊网 http://www.qikan.com.cn
基于矩阵分解与深度学习技术融合的推荐技术研究
作者：刘永清 徐圣伟 李鸿 吴考银 张志伟 来源：《电子乐园·上旬刊》2019年第01期
龙源期刊网 http://www.qikan.com.cn
龙源期刊网 http://www.qikan.com.cn
摘要：近年来，随着互联网的迅猛发展以及深度学习的快速发展，在计算机视觉、语音识别、自然语言处理以及其他领域中有很多的应用，但是在推荐系统领域中，使用深度学习技术的并不常见。传统的推荐算法不能灵活的组合与用户相关的各项信息，并且数据比较稀疏，推荐的效果不是很理想。为了解决这些问题，本论文通过低维矩阵来减少模型的维度和稀疏性，提出一种基于深度学习的推荐算法来解决预测不准确的问题。 关键词：兴趣点推荐;矩阵分解;深度学习 引言
随着互联网以及大数据时代的飞速发展，信息逐渐呈现出过载状态，推荐系统（Recommend System）作为近年来实现信息生产者与消费者之间利益均衡化的有效手段之一，越来越发挥着举足轻重的作用。并且这是一个张扬个性的时代，人们对于个性化的追求，千人千面的向往愈来愈突出，谁能捕捉住用户的个性化需求，谁就能在这个时代站住脚跟。现在人们不再单单依靠普通的热门推荐，而是基于每个用户的行为记录来个性化的生成推荐内容。像今日头条、抖音这样的APP之所以如此之火，无非是抓住了用户想看什么的心理，那么如何才能抓住用户的心理，那就需要推荐系统的帮助了。
推荐系统中常用协同过滤技术，它是基于这样的假设：用户如果在过去对某些事物产生过兴趣，那么他将来也很可能依然对其保持热忱。其中协同过滤技术又可根据是否采用了机器学习思想建模的不同划分为基于内存的协同过滤与基于模型的协同过滤技术。其中基于模型的协同过滤技术中尤为矩阵分解（Matrix Factorization）技术最为普遍和流行，而且矩阵分解易编程，用来推荐的预测效果好。 1 矩阵分解
对于推荐系统来说，评分预测场景较常见。评分预测场景主要用于对网站的评分，矩阵分解技术主要应用于该场景。对于评分预测任务来说，我们通常将用户和项目表示为二维矩阵的形式，其中矩阵中的某个元素表示对应用户对于相应项目的评分，1～5分表示喜欢的程度逐渐增加，’？’表示没有打分（如图l）。
推荐系统的评分预测可以看作为一个矩阵补全的过程，推荐系统的任务是矩阵补全，矩阵分解技术则是达到任务的方法。通过使用传统的奇异值分解SVD算法用于推荐，将一个用户的物品对应的i×j矩阵M进行SVD分解，并通过选择部分较大的奇异值进行降维，矩阵M分解为：
Mi，j=Ui，kΣk×kVk，jT
再使用原始的评分矩阵Mi×j与重新构建的评分矩誐Mi×j^之间的误差的平方作为损失函数：