基于集成局部性特征学习的推荐算法

来源：计算机科学与探索杂志2018年第6期北京时间：

作者：庄福振，罗丹，何清

单位：1. 中国科学院 计算技术研究所 智能信息处理重点实验室，北京 100190 2. 中国科学院大学，北京 100049

摘要：以往的协同过滤方法大部分采用基于矩阵分解的方法来学习用户和商品的隐性特征表示，但是基于矩阵分解的方法没有完全利用评分信息，导致不好的效果。近年来，深度学习已经在自然语言处理、语音识别以及图像分类等领域被证明可以很好地进行表示学习。而且在用户对商品的评分矩阵中，不仅只有评分信息，还有隐含的倾向性排序信息。更进一步，针对整个评分矩阵进行特征表示学习的时候，不能满足用户聚类以及商品类别的局部结构特性。因此，提出了一种基于集成局部性特征学习的推荐算法。在该算法中，利用随机选择的锚点得到局部矩阵，然后在局部矩阵上利用自动编码机进行学习得到子模型，同时定义一种（用户，商品）二元组来考虑评分信息的排序关系。在两组数据上进行了实验，结果表明该算法显著优于经典的基于矩阵分解的推荐算法，并且该算法将深度学习用于推荐系统中，效果比LCR（local collaborative ranking）优越。

关键词：推荐系统,深度学习,自动编码机,排序学习,局部结构