深度矩阵分解推荐算法

来源：软件学报杂志2021年第12期北京时间：

作者：田震，潘腊梅，尹朴，王睿

单位：田震，北京科技大学 计算机与通信工程学院, 北京 10008311,潘腊梅，北京科技大学 计算机与通信工程学院, 北京 10008302,尹朴，北京科技大学 计算机与通信工程学院, 北京 10008303,王睿，北京科技大学 计算机与通信工程学院, 北京 100083;北京科技大学 顺德研究生院, 广东 佛山 52830004

摘要：协同过滤推荐算法中的矩阵分解因其简单、易于实现，得到了广泛的应用.但是矩阵分解通过简单的线性内积建模用户和物品之间的非线性交互关系，限制了模型的表达能力.为此，He等人提出了广义矩阵分解模型，通过非线性激活函数和连接权重，将矩阵分解推广到广义矩阵分解，为模型赋予建模用户和物品间的二阶非线性交互关系的能力.但是广义矩阵分解模型是一个浅层模型，并不能很好地建模用户和物品间高阶交互关系，一定程度上可能会影响模型性能.受广义矩阵分解模型启发，提出了深度矩阵分解模型（deep matrix factorization，简称DMF），在广义矩阵分解模型的基础上引入隐藏层，利用深层神经网络来学习用户和物品间高阶交互关系.深度矩阵分解模型不仅解决了简单内积的线性问题，同时还能够建模用户和物品间的高阶交互，具有很好的表达能力.此外，在MovieLens和Anime两个数据集上进行了大量丰富的对比实验，验证了模型的可行性和有效性；同时，通过实验确定了模型的最优参数.

关键词：协同过滤;线性内积;广义矩阵分解;隐藏层;高阶交互

基金资助：国家自然科学基金（62173158，61803391）；北京科技大学顺德研究生院科技创新专项资金（BK19CF010，BK20BF012）