● 摘要
个性化推荐技术在学术界和工业界都已经获得了足够多的关注。过去的二十年里，个性化推荐技术在人们的不断探索中取得了很大的进展，出现了协同过滤算法、基于内容的算法、混合推荐算法等技术。其中协同过滤算法是当前被研究最多、应用范围最广的推荐技术。同时，深度学习作为机器学习研究领域的新热点，已经成功应用于图像识别、语音识别、自然语言处理等领域。由于深度学习技术强大的表示能力，研究人员正在将其向其他领域拓展，如推荐系统。
本文首先介绍了目前主流的一些协同过滤推荐方法。然后，以评分预测问题为例，探索了自编码器模型在协同过滤方法中的应用。针对评分预测问题的特点，对自编码器的网络结构和学习算法进行了修改，提出了用于评分预测的自编码器模型。同时，为了解决参数随机初始化导致自编码器模型收敛到较差极小值的问题，本文给出了采用结构相似的有限玻尔兹曼机进行预训练的方法，即首先在参数空间进行搜索，找到相应的合理区间。最后，本文对单一自编码器模型进行了扩展，主要包括：1）纵向扩展——构建包含多层自编码器结构的栈式自编码器，通过深度结构实现对高阶特征的学习；2）横向扩展——将基于物品的自编码器与基于用户的自编码器进行组合，即合并不同种类的特征；3）混合扩展——将自编码器与其他协同过滤方法进行组合，取长补短，以充分发挥不同方法的特点。
在不同规模公开数据集上的实验结果表明，本文提出的用于评分预测的自编码器，在预测准确率以及交叉覆盖率等指标上均有不错的表现。同时，实验还证实了一些其他的发现，包括预训练过程能够大大改善自编码器的推荐效果，自编码器的预测效果在不同规模的数据集上具有一致性，组合模型相对于单一模型能获得更好的推荐效果等。