苑樹強(qiáng)，史艷翠

(天津科技大學(xué)人工智能學(xué)院，天津300457)

隨著網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，人們的生活越來越豐富，越來越多的用戶展現(xiàn)出豐富的興趣，并在各個領(lǐng)域都有所涉獵.研究[1]表明不同平臺的用戶偏好和項目特征存在相似性和相關(guān)性，因此推薦系統(tǒng)開始利用用戶在多個領(lǐng)域的交互信息提高推薦質(zhì)量，即跨領(lǐng)域推薦[2].跨領(lǐng)域推薦是通過將一個領(lǐng)域的知識轉(zhuǎn)移到另一個領(lǐng)域而緩解數(shù)據(jù)的稀疏性問題.尤其是當(dāng)用戶進(jìn)入一個新的領(lǐng)域時，也就是冷啟動問題，可以利用用戶以前已有交互領(lǐng)域中的信息為其推薦.這兩個問題也是推薦系統(tǒng)中長期存在的兩個問題.

在跨領(lǐng)域推薦中，最關(guān)鍵的問題是如何建立兩個領(lǐng)域之間的橋梁[3].Li等[4]提出一種密碼本遷移學(xué)習(xí)算法，認(rèn)為跨領(lǐng)域推薦不一定需要遷移具體的數(shù)據(jù)，而是將用戶的評分模式從密集的源域遷移至稀疏的目標(biāo)域，以此豐富目標(biāo)域的評分矩陣.基于共享知識模型的跨領(lǐng)域推薦算法SKP[5]，將用戶屬性信息加入推薦過程以解決正遷移不足的問題，引入其他可用的輔助信息增加可用數(shù)據(jù)量，緩解數(shù)據(jù)稀疏帶來的影響.以上方法屬于傳統(tǒng)的跨領(lǐng)域推薦，沒有對每個域自身的特點進(jìn)行域適應(yīng)，也沒有進(jìn)行特征映射.這可能會忽視不同域之間不同特征的影響，甚至?xí)胴?fù)遷移.

在不同的任務(wù)中，領(lǐng)域間的聯(lián)系有所不同，因此對于不同的情況，例如用戶、物品、文本屬性、評分、標(biāo)簽、類別等都可能作為跨領(lǐng)域推薦的共享信息.Zhang等[6]通過捕獲不同標(biāo)記之間的語義關(guān)系，識別域間相似的用戶和物品，通過用戶和物品的域內(nèi)和域間相關(guān)性約束矩陣分解；但域間用戶和物品相似度的準(zhǔn)確性對推薦結(jié)果的影響很大.Guo等[7]在源域和目標(biāo)域各自利用用戶配置文件生成用戶標(biāo)簽矩陣，并利用矩陣分解找到與源域標(biāo)簽相似的目標(biāo)域標(biāo)簽，將源域的用戶配置文件轉(zhuǎn)換為目標(biāo)域的用戶配置文件，使跨域推薦轉(zhuǎn)為單域推薦；但稀疏的用戶-標(biāo)簽矩陣導(dǎo)致標(biāo)簽相似性計算困難.

對于跨領(lǐng)域推薦，可遷移特征的質(zhì)量也是影響推薦效果的重要因素.近年來，隨著深度學(xué)習(xí)的發(fā)展，研究人員開始利用深度學(xué)習(xí)的方法改善跨域推薦的效果[8].Man等[9]提出一種利用多層感知器捕獲跨域的非線性映射函數(shù)的框架，為學(xué)習(xí)各域?qū)嶓w的領(lǐng)域特征提供了很高的靈活性.Zhu等[10]認(rèn)為不同用戶的偏好不同，所以其映射函數(shù)也應(yīng)該不同.通過用戶特征嵌入反饋的元網(wǎng)絡(luò)生成個性化的映射函數(shù)，以實現(xiàn)每個用戶的個性化偏好傳遞.上述算法利用深度學(xué)習(xí)的方法映射用戶特征，但訓(xùn)練依靠域間的重疊用戶，而現(xiàn)實情況下域間重疊用戶較少.Kang等[11]提出使用歐氏距離反映用戶對物品的偏好，并使用半監(jiān)督的方法訓(xùn)練映射函數(shù)，但度量空間中用戶-物品偏好表示的準(zhǔn)確性明顯影響推薦結(jié)果的準(zhǔn)確性.

大部分情況下，物品、標(biāo)簽等信息很難出現(xiàn)重疊；但隨著網(wǎng)絡(luò)的發(fā)展，信息越來越豐富，用戶可能會同時在多個領(lǐng)域存在交互信息.所以，針對源域和目標(biāo)域存在重疊用戶的情況，本文提出一種基于用戶信息映射的跨域推薦算法.雖然不同領(lǐng)域中標(biāo)簽沒有重疊，但是不同領(lǐng)域中可能會存在含義相似的標(biāo)簽，即標(biāo)簽對用戶和物品嵌入模型的影響應(yīng)該是跨領(lǐng)域的.因此，首先通過用戶和標(biāo)簽的交互信息得到用戶和物品特征，并使用降維方法處理成低維特征，再將用戶的源域特征映射到目標(biāo)域.此外，用戶映射之后應(yīng)保持自己的偏好類別，所以通過聚類方法生成用戶種群，并利用不同種群的偏好信息和重疊用戶訓(xùn)練映射函數(shù).綜上所述，本文通過映射用戶在源域中的信息，為用戶推薦目標(biāo)域的物品，本質(zhì)上屬于基于內(nèi)容的推薦系統(tǒng).

本文的主要工作如下：(1)提出一種新的用戶、物品信息表示方式，利用直接標(biāo)簽和間接標(biāo)簽表示用戶和物品，更好地體現(xiàn)用戶偏好和物品特性；(2)改進(jìn)降維方式，利用用戶物品的交互信息降維，并考慮標(biāo)簽信息特征的重要性；(3)對于映射函數(shù)優(yōu)化時標(biāo)記樣本過少的問題，利用種群信息標(biāo)記非重疊用戶，并優(yōu)化映射函數(shù).

1 算法描述

1.1 問題定義

跨領(lǐng)域推薦中存在一種情況：在一個系統(tǒng)中，存在一個信息豐富的領(lǐng)域A和一個信息較稀疏的領(lǐng)域B，當(dāng)A中的用戶進(jìn)入B領(lǐng)域時，由于該用戶在B領(lǐng)域中沒有信息，因此會遇到冷啟動問題，例如電商的圖書領(lǐng)域和CD光盤領(lǐng)域，此時需要遷移A中的信息為用戶改善推薦效果.在本文中，將信息豐富的領(lǐng)域稱為源域S，信息稀疏的領(lǐng)域稱為目標(biāo)域T.源域和目標(biāo)域的用戶集合為US、UT，物品集合為VS、VT，標(biāo)簽集合為BS、BT，評分集合為RS、RT.m為用戶數(shù)量，n為物品數(shù)量.圖書領(lǐng)域和光盤領(lǐng)域在現(xiàn)實情況下一般不會存在重疊的物品和標(biāo)簽，但可能會存在一些重疊用戶，使用UO＝US∩UT表示重疊用戶集合.

根據(jù)以上描述，給出問題的定義：假設(shè)存在兩個領(lǐng)域，源域S和目標(biāo)域T.US∩UT≠?，VS∩VT＝?，BS∩BT＝?，目標(biāo)是為源域中的非重疊用戶推薦目標(biāo)域物品.

1.2 用戶和物品的向量化表示

要將源域的用戶特征映射到目標(biāo)域，首先要得到用戶的向量化表示.大部分方法(如矩陣分解[12])的用戶向量都依靠用戶-物品的交互矩陣得到.但在目標(biāo)域中用戶-物品的交互矩陣一般較為稀疏，影響生成用戶向量的準(zhǔn)確性.并且，根據(jù)上述方法生成的用戶向量得到的用戶種群難以確認(rèn)種群中用戶偏好相似性，缺乏可解釋性.標(biāo)簽作為用戶自己理解和添加的信息，一定程度上反映了用戶的興趣，可以更好地反映用戶的偏好信息.因此，本文主要依據(jù)用戶和物品交互過的標(biāo)簽信息進(jìn)行推薦.

由于用戶和物品的向量化表示形式相同，下面用源域用戶集合US為例，介紹源域用戶向量生成的過程.對于US來說，每個用戶的唯一標(biāo)識是離散的，互相沒有關(guān)系，可以使用one-hot編碼表示[13]，向量維度為US中用戶的數(shù)量.對于標(biāo)簽而言，用戶通常會交互多個標(biāo)簽，將其表示成multi-hot的形式.用戶在打標(biāo)簽時是對某一物品標(biāo)注，不僅是用戶自己標(biāo)注的標(biāo)簽可以作為標(biāo)簽信息，用戶標(biāo)注過的物品的其他標(biāo)簽也可以作為用戶的信息表示.

如圖1所示，對于用戶1而言，除了標(biāo)簽1外，標(biāo)簽2、3也可以作為標(biāo)簽信息.將標(biāo)簽1稱為用戶1的直接標(biāo)簽，標(biāo)簽2、3稱為用戶1的間接標(biāo)簽.

圖1 標(biāo)簽關(guān)系表示Fig.1 Representation of label relation

同理，對于物品1而言，標(biāo)簽1、2、3為直接標(biāo)簽，標(biāo)簽4為間接標(biāo)簽.用戶和物品的標(biāo)簽信息由直接標(biāo)簽和間接標(biāo)簽組成.

以用戶為例，標(biāo)簽信息表示為b，包括直接標(biāo)簽和間接標(biāo)簽兩部分.直接標(biāo)簽表示成multi-hot向量形式，用符號b表示，間接標(biāo)簽為交互過的物品的直接標(biāo)簽的向量集合，使用符號b＇表示.b＇=+...+，表示該用戶交互的第z個物品直接標(biāo)簽表示.

其中α為超參數(shù)，表示間接標(biāo)簽在用戶表示中的影響力.以用戶1為例，＝[1 0 0 0]，b＇＝[0 1 1 0]，最終的標(biāo)簽信息為b＝[1αα0].用戶信息的整體表示如圖2所示.

圖2 用戶信息的整體表示Fig.2 Overall representation of user information

同理，物品向量也由one-hot編碼和標(biāo)簽信息表示，標(biāo)簽包括物品本身的標(biāo)簽以及與該標(biāo)簽交互的用戶的其他標(biāo)簽.

本文源域和目標(biāo)域中用戶、物品表示向量的集合分別使用uS、vS、uT、vT表示.

1.3 特征向量降維

在現(xiàn)實情況下，如在亞馬遜數(shù)據(jù)集中，用戶數(shù)量和物品數(shù)量都非常龐大，所以1.2節(jié)的用戶向量和物品向量都是一個非常稀疏的高維向量，難以直接使用.因此，本文提出一種降維方式，將高維向量降維.采用深度學(xué)習(xí)嵌入方法，借鑒雙塔模型的思想[14]，通過深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNN)處理稀疏向量.但如果直接將該向量輸入DNN中，會導(dǎo)致網(wǎng)絡(luò)參數(shù)過多.為了解決這個問題，將輸入向量分成兩個部分，如圖3所示.下面以源域中的用戶i和物品j為例，將上一節(jié)得到的用戶向量或物品向量和作為輸入(∈uS,∈vS)，并將one-hot編碼部分和標(biāo)簽編碼部分分別處理輸入隱藏層中：

圖3 深度學(xué)習(xí)降維方法Fig.3 Deep learning dimension reduction method

間的歐氏距離，表示用戶和物品的交互信息，使用戶與交互過的物品的距離更近.損失函數(shù)為

式中：W1為二元指示矩陣，表示用戶物品是否有交互，?表示公式中只考慮交互過的用戶和物品的信息，因為未交互過的用戶和物品距離不應(yīng)該更近.將源域和目標(biāo)域中用戶、物品表示向量集合uS、vS、uT、vT分別降維得到對應(yīng)的降維向量集合yuS、yvS、yuT、yvT.

1.4 種群映射函數(shù)

1.3節(jié)中得到了用戶和物品的低維向量表示，將源域和目標(biāo)域的用戶yuS通過k均值聚類(k-means)算法分別生成k個用戶種群，其中用戶之間的距離使用歐氏距離表示.

本模型生成映射函數(shù)將源域的用戶向量映射到目標(biāo)域中.該函數(shù)反映了源域和目標(biāo)域之間的關(guān)系.將重疊用戶在源域的向量映射到目標(biāo)域中，并使它和目標(biāo)域中交互的物品距離更近.通過重疊用戶在目標(biāo)域中的交互信息優(yōu)化映射函數(shù)

式中：W2為二元指示矩陣，表示重疊用戶在目標(biāo)域的交互信息；f()θ表示映射函數(shù)，θ為全局參數(shù).

由于現(xiàn)實情況中一般只存在少量的重疊用戶，利用重疊用戶作為標(biāo)記數(shù)據(jù)的有監(jiān)督的訓(xùn)練方法難以很好地訓(xùn)練模型，所以本文利用用戶種群關(guān)系標(biāo)記非重疊用戶.如圖4所示，對于非重疊用戶來說，映射后的位置應(yīng)該靠近同類的重疊用戶.

圖4 非重疊用戶映射Fig.4 Non-overlapping user mappings

因此，重疊用戶映射后在目標(biāo)域的距離逼近原本的位置，而非重疊用戶則逼近同類重疊用戶.基于以上思想，給出用戶關(guān)系的損失函數(shù)為

其中：λ代表訓(xùn)練時種群信息的權(quán)重，da代表種群a內(nèi)非重疊用戶映射后與該類重疊用戶的距離，k代表用戶種群個數(shù)，da表示為

用戶映射函數(shù)的完全損失函數(shù)可以表示為

為了獲得映射函數(shù)，本文采用隨機(jī)梯度下降法訓(xùn)練參數(shù)θ.通過訓(xùn)練集中用戶向量反向傳播訓(xùn)練映射函數(shù)參數(shù)，直到模型收斂.

1.5 跨領(lǐng)域推薦

當(dāng)給一個源域用戶推薦目標(biāo)域物品時，這個用戶在目標(biāo)域沒有任何交互信息，相當(dāng)于冷啟動用戶.推薦與映射用戶最接近的N個目標(biāo)域物品，如用戶i和物品j的距離D使用歐氏距離表示為

通過計算冷啟動用戶i和目標(biāo)域物品的距離，將物品按歐氏距離由低到高排序，得出目標(biāo)用戶i的推薦列表，記為Ri={v1,v2,…,vn}，最終選取前N個物品為目標(biāo)用戶i進(jìn)行推薦.

1.6 總體程序

輸入：源域和目標(biāo)域的用戶物品向量集合uS、vS、uT、vT.

輸出：推薦物品序列.

(1)特征降維：利用用戶物品的交互信息訓(xùn)練深度學(xué)習(xí)模型，將uS、vS和uT、vT中元素兩兩成對輸入模型降維，得到降維后的向量表示yuS、yvS、yuT、yvT.

(2)源域用戶聚類：將集合yuS通過k-means聚類算法生成k個用戶種群.

(3)種群個性化映射：利用源域用戶yuS中種群信息和重疊用戶交互信息優(yōu)化映射函數(shù).

(4)生成推薦列表：將源域用戶yuS映射到目標(biāo)域，計算用戶和目標(biāo)域物品的歐氏距離，生成推薦列表.

2 實 驗

實驗環(huán)境：16GB內(nèi)存，Windows10操作系統(tǒng)，RTX 2060顯卡，Python3.6，機(jī)器學(xué)習(xí)框架TensorFlow 2.5.0.

2.1 數(shù)據(jù)集及其處理

實驗部分使用的數(shù)據(jù)集是亞馬遜數(shù)據(jù)集，該數(shù)據(jù)包含了42個不同的物品域，選取兩個類別：圖書和光盤.其中圖書域用戶數(shù)量為603668，光盤域用戶數(shù)量為75258；重疊用戶數(shù)量為16738.

將圖書域視為源域，光盤域視為目標(biāo)域.數(shù)據(jù)集中的reviewerID字段作為用戶ID；asin字段作為物品ID；summary字段作為標(biāo)簽.對原始數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行清洗，刪除交互少、孤立的數(shù)據(jù).對于非重疊用戶，在源域數(shù)據(jù)中去除了交互物品少于150的用戶、交互用戶少于150的物品和出現(xiàn)次數(shù)少于30的標(biāo)簽.在目標(biāo)域中去除了交互數(shù)據(jù)少于30的用戶和物品以及出現(xiàn)次數(shù)少于4的標(biāo)簽.對于重疊用戶而言，去除了交互數(shù)據(jù)少于10的用戶.數(shù)據(jù)集統(tǒng)計信息見表1.

表1 數(shù)據(jù)集統(tǒng)計信息Tab.1 Data set statistics

2.2 實驗設(shè)置

對于目標(biāo)域，選取30%的重疊用戶，刪除其所有的交互信息，將其作為冷啟動用戶(測試用戶)計算推薦準(zhǔn)確性.在實驗中，為了解決對所有物品排名的耗時問題，在用戶沒有交互過的物品(負(fù)樣本)中隨機(jī)抽取999個物品，并評估交互過的物品(正樣本)的排名是否高于未交互物品(負(fù)樣本).為了探究重疊用戶數(shù)量對實驗結(jié)果的影響，在模型訓(xùn)練時，對訓(xùn)練集中的重疊用戶進(jìn)行限制，分別選取重疊用戶的10%、50%和100%對模型進(jìn)行訓(xùn)練.為了消除實驗結(jié)果的偶然性，每組實驗分別進(jìn)行10次并取平均值作為最終結(jié)果.

2.3 評價指標(biāo)

使用精確率(precision)和平均精度(mean average precision，mAP)衡量和評價推薦結(jié)果.精確率是廣泛用于推薦系統(tǒng)中的度量標(biāo)準(zhǔn)，精確率針對預(yù)測結(jié)果而言，表示預(yù)測為正的樣本中有多少是真正的正樣本.mAP是一種位置敏感的評價指標(biāo)，反映每個用戶的平均精確率的平均值；推薦列表中相關(guān)物品越靠前，mAP就越高.

其中：P表示精確率；R(u)表示推薦列表；T(u)表示用戶實際交互的物品；Pav,i表示單個用戶平均精確率，針對的是一個用戶的排序結(jié)果；N1和N2分別表示j在命中列表和推薦列表中的排名；Pavm表示平均精度.

2.4 實驗過程與結(jié)果分析

為了研究本算法的推薦效果，對模型中的幾個參數(shù)分別單獨(dú)測試它們對推薦效果的影響，包括聚類k值、降維的維度、間接標(biāo)簽的權(quán)重α、q和p的比值、種群信息權(quán)重λ，并與幾組跨領(lǐng)域推薦的模型對比，分析模型的性能.

2.4.1 聚類k值

聚類k值對推薦結(jié)果的影響如圖5所示，即用戶聚類數(shù)目k值對冷啟動用戶top10推薦效果的影響.聚類k值表示源域用戶和目標(biāo)域用戶的種群個數(shù)，代表著用戶偏好的分類，聚類效果也影響著用戶偏好映射的準(zhǔn)確性.推薦結(jié)果在k值大于8時持續(xù)下降，在k值為6時取得最高值.分析原因可能是當(dāng)k值過大或過小時，源域和目標(biāo)域的分類難以做到很好的對應(yīng)，導(dǎo)致映射效果降低，因此在后續(xù)實驗中將k值設(shè)為6.

圖5 聚類k值對推薦結(jié)果的影響Fig.5Effect of clustering k value on the recommendation result

2.4.2 降維維度

在實驗過程中，選擇合適的降維維度非常重要，降維維度對推薦結(jié)果的影響如圖6所示.

圖6 降維維度對推薦結(jié)果的影響Fig.6 Effect of dimension reduction length on recommendation results

為了研究降維維度對實驗結(jié)果的影響，將降維維度逐漸增大，分別考慮降維到2、4、6、8時精確率和mAP的取值(圖6).隨著維度的提高，推薦結(jié)果準(zhǔn)確性下降.在降維維度為2時，模型的性能表現(xiàn)最好.

2.4.3 間接標(biāo)簽權(quán)重

間接標(biāo)簽權(quán)重α代表著對間接標(biāo)簽信息在用戶向量、物品向量中比重的大小，間接標(biāo)簽權(quán)重對推薦結(jié)果的影響如圖7所示.

圖7 間接標(biāo)簽權(quán)重對推薦結(jié)果的影響Fig.7 Effect of indirect label weight on recommendation results

由圖7可以看出，隨著間接標(biāo)簽權(quán)重的提高，推薦精確率和mAP逐漸升高，達(dá)到最高點后開始下降.這主要是因為只考慮直接標(biāo)簽難以反映用戶的全部偏好，適量加入間接標(biāo)簽可以提高用戶偏好的描述準(zhǔn)確性，而間接標(biāo)簽為其他用戶打的標(biāo)簽，有可能帶有與本用戶不同的偏好信息，過高的權(quán)重可能會放大間接標(biāo)簽中的無關(guān)因素.

2.4.4 降維中q和p的比值

q和p的比值反映降維過程中標(biāo)簽信息權(quán)重.q和p的比值對推薦結(jié)果的影響如圖8所示.

圖8 q和p的比值對推薦結(jié)果的影響Fig.8Effect of the ratio of q and p on the recommendation results

由圖8可以看出，標(biāo)簽信息權(quán)重為4.5時效果最好，主要是因為標(biāo)簽信息代表用戶的偏好和物品的類別，適當(dāng)提高標(biāo)簽信息的權(quán)重有利于得到更好的推薦結(jié)果，而過高的標(biāo)簽信息權(quán)重可能會忽略用戶項目的標(biāo)識信息.

2.4.5 種群信息權(quán)重

種群信息權(quán)重λ代表在訓(xùn)練映射函數(shù)時，非重疊用戶信息的影響力大小.種群信息權(quán)重對推薦結(jié)果的影響如圖9所示.

圖9 種群信息權(quán)重對推薦結(jié)果的影響Fig.9Effect of population information weight on recommendation results

由于重疊用戶數(shù)量較少，適當(dāng)提高非重疊用戶信息的權(quán)重，可以改善推薦效果.由圖9可知，在λ為0.75時效果最好；但非重疊用戶在目標(biāo)域不存在用戶交互信息，所以過高的權(quán)重可能會影響映射的準(zhǔn)確性.

2.4.6 消融實驗

為研究間接標(biāo)簽和種群信息的有效性，在選取重疊用戶100%時，分別在缺失間接標(biāo)簽和種群信息的條件下進(jìn)行消融實驗，結(jié)果見表2.

表2 消融實驗結(jié)果Tab.2 Ablation experimental results

P@10、P@20分別代表精確率在top10和top20上的表現(xiàn)，M@10、M@20分別代表mAP在top10和top20上的表現(xiàn).由表2可以看出，加入間接標(biāo)簽信息明顯提高了模型的推薦精確率，因為用戶與物品的直接交互較少，直接標(biāo)簽不能很好地代表用戶和物品的信息.而加入種群信息標(biāo)記非重疊用戶，使映射函數(shù)的訓(xùn)練不僅僅依靠重疊用戶，提高了映射的準(zhǔn)確性，進(jìn)而得到更好的推薦效果.

2.4.7 基線設(shè)置

為了評估算法性能，選取以下幾組不同的方法和本文提出的模型對比，以驗證本文模型的有效性.

EMCDR[9]：一個用于處理跨域推薦的嵌入和映射框架，通過潛在空間中的映射函數(shù)將源域和目標(biāo)域中的用戶和物品投影到兩個不同的潛在空間中.

SSCDR[11]：一種基于半監(jiān)督方法的冷啟動用戶CDR框架，利用非重疊用戶的數(shù)據(jù)學(xué)習(xí)映射函數(shù).

PTUPCDR[10]：一個CDR用戶偏好個性化傳輸框架，學(xué)習(xí)一個由用戶特征嵌入組成的元網(wǎng)絡(luò)生成個性化的橋接函數(shù)，以實現(xiàn)用戶偏好的個性化傳遞.

表3列出了各模型在top10和top20上的詳細(xì)數(shù)據(jù).EMCDR使用重疊用戶訓(xùn)練映射函數(shù)，受重疊用戶數(shù)量影響較大；本文模型利用種群信息解決非重疊用戶在目標(biāo)域中信息較少的問題，對重疊用戶數(shù)據(jù)的依賴性降低.對于同樣利用非重疊用戶數(shù)據(jù)和利用用戶交互信息訓(xùn)練模型的SSCDR和PTUPCDR，本文模型也表現(xiàn)出更好的推薦結(jié)果.

表3 不同模型的評價指標(biāo)對比Tab.3 Comparison of evaluation indexes of different models

實驗表明，本文模型可以更好地應(yīng)對真實情況下重疊用戶過少的問題，可以有效地為具有跨域信息的冷啟動用戶推薦物品.

3 結(jié) 語

本文通過將源域中的用戶偏好映射到目標(biāo)域，提高用戶在目標(biāo)域中的推薦效果，適用于為其他領(lǐng)域存在交互信息的冷啟動用戶進(jìn)行推薦，如向電商平臺中已購買過某領(lǐng)域(如圖書)物品的用戶推薦目標(biāo)域(如衣服)的物品.利用標(biāo)簽信息獲得更準(zhǔn)確的用戶偏好，經(jīng)過深度學(xué)習(xí)降維處理后將其映射到目標(biāo)域，并通過種群信息利用非重疊用戶訓(xùn)練映射函數(shù)，提高映射準(zhǔn)確性.通過大量的實驗，探究各個參數(shù)對實驗結(jié)果的影響，驗證了本文模型對重疊用戶數(shù)量的依賴更低，相較于基準(zhǔn)實驗，有更好的推薦準(zhǔn)確性.