随着近年来深度学习模型在机器视觉方向和自然语言处理[12,13]方向的优秀表现，其显示出在特征提取方面巨大的潜力[14]。在深度学习模型中，特征提取分为有监督的和无监督的两种方式。尽管在特征可以自动学习的时候，深度学习模型的表现要优于其它的浅层模型。但是它在计算物品之间的相似度时的表现却不如协同过滤模型。这就需要我们以适当的方式将深度学习模型与协同过滤模型进行整合。73276

然而在将深度学习应用到协同过滤中的尝试还不多见。R。 Salakhutdinov等人[15]采用受限玻尔兹曼机替代传统的矩阵因子分解算法，并将其应用到协同过滤模型中，K。 Georgiev等人[16]将其扩展到用户对和物品对的相似度计算中。尽管这些方法都用到了深度学习和协同过滤，但是它们实际上属于基于协同过滤模型的方法，因为它们并没有像协同话题回归(Collaborative Topics Regression ,CTR)一样吸收物品内容信息，而这恰恰是精确推荐的关键。T。 N。 Sainath等人[17]在深度神经网络最后的权重层中采用低秩矩阵因子分解算法，这大大减少了参数的个数并且提高了训练的速度。但这是应用在分类的过程中而不是推荐任务中。在音乐推荐中，[18,19]直接使用了传统卷积神经网络(Convolutional Neural Network,CNN)或深信网络(Deep Belief Networks,DBN)进行内容信息的学习，但是他们的深度学习模型没有考虑到噪声因素因此健壮性较差。该模型用松耦合方法来提高推荐效果。而且CNN与评分矩阵直接联系，这就意味着当评分稀疏的时候模型的效果会下降。

通过对一些相关文献的分析和研究，可以发现深度学习已成功应用于机器视觉、语音识别、自然语言处理等方向并取得了较好的效果。尽管对于深度学习的许多方法缺乏理论支撑，但我们不应忽视它所取得的成果，并且应该不断将其应用于相关领域的实践。鉴于深度学习近年来的发展和目前推荐系统中应用深度学习的尝试尚不多见，我们试着将深度学习的方法融入到基于协同过滤的推荐系统当中。论文网

参 考 文 献

[1] Zhang W, Sun H, Liu X, and Guo X。 Temporal QoS-aware web service recommendation via non-negative tensor factorization[C]。 In : WWW'14 Proceedings of the 23rd international conference on World wide web, 2014: pp。 585-596。

[2] Bobadilla J, Ortega F, Hernando A, and Gutierrez A。 Recommender systems survey[J]。 Knowledge-Based Systems, 2013, Volume 46: 109–132。

[3] Lang K。 Newsweeder: Learning to lter netnews[C]。 In: ICML, 1995: pp。 331-339。

[4] Rendle S, Freudenthaler C, Gantner Z, and Schmidt-Thieme L。 BPR: Bayesian personalized ranking from implicit feedback[C]。 In: UAI'09 Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence, 2009: pp。 452-461。

[5] Salakhutdinov R and Mnih A。 Probabilistic matrix factorization[C]。 In: NIPS, 2007: pp。 1257-1264。

[6] Agarwal D and。 Chen B C。 Regression-based latent factor models[C]。 In: KDD, 2009: pp。 19-28。

[7] Li W -J, Yeung D -Y, and Zhang Z。 Generalized latent factor models for social network analysis[C]。 In: IJCAI, 2011: pp。 1705-1710。

[8] Hu L, J。 Cao, G。 Xu, L。 Cao, Z。 Gu, and C。 Zhu。 Personalized recommendation via cross-domain triadic factorization[C]。 In: WWW'13 Proceedings of the 22nd international conference on World Wide Web, 2013: pp。 595-606。

[9] Sevil S。 G。, Kucuktunc O, Duygulu P。, and Can F。 Automatic tag expansion using visual similarity for photo sharing websites[J]。 Multimedia Tools Appl。, 2010, 49(1): 81-99。

[10] Wang C。 and Blei D。 M。 Collaborative topic modeling for recommending scientific articles[C]。 In: KDD, 2011: pp, 448-456。