神经因子分解机推荐模型改进研究吴韦俊李烨摘要：因子分解机对特征各维度之间的一阶线性关系和二阶线性关系建模，在推荐系统中已有较多应用。神经因子分解机模型（NFM）是因子分解机与神经网络的结合模型，它能捕获特征之间的高阶交互信息，使得模型预测效果更佳。但由于神经因子分解机模型一般都是采用全连接的前馈神经网络，使得整个推荐网络过于复杂，存在过拟合风险。为了降低神经因子分解机模型的整体复杂度，提高推荐模型的泛化性能，提出一种基于交叉网络的因子分解機模型（CFM），降低模型复杂度，提高模型泛化性能。实验表明，该模型在数据集上的预测准确度为77%左右，相比NrM预测准确度提高了约2%，整体模型泛化性能也有所提高。关键词：推荐系统;交叉网络：神经因子分解机DOI：10.11907/rjdk.191717开放科学（资源服务）标识码（OSID）：：TP301：A：1672-7800（2020）004-0115-04ResearchonImprovementofRecommendationModelBasedonNeuralFactorizationMachinesWUWei-jun，LIYe（kSch.0010fOpticalElect.ricalandComput.erEngineerirzg，UniversityofSlzangh.aiforScie.nce.andTeclznology，.Sh.angh.ai200093.Clzina）Abstract：Thefactorizationmachinemodelsthefirst-orderlinearrelationshipandthesecond-orderlinearrelationshiphetweenthevariousdimensionsofthef'eature.andithasbeenwidelyusedintherecommendationsystem.Theneuronfactorizationmachinemodel（NFM）isacombinationmodeloffactorizationmachineandneuralnetwork.Itcancapturehigh-orderinteractioninformationbetweenfeatures.，，-hichmakesthepredictioneff'ectbetter.However.sincetheneuralfactorizationmachinemodelgenerallyusesafullycon-nectedfeedforwardneuralnetwork.theentirerecomruendationnetworkistoocomplicatedandthereisariskofoverfitting.Inordertoreducetheoverallcomplexityoftheneuralf'actorizationmachinemodelandimprovethegeneralizationperformanceoftheproposedmodel，thispaperproposesacross-network-basedfactorizationmachinemodel（CFM）toreducethecomplexityofthemodelandim-provethegeneralizationperformanceofthemodel.Experimentsshowthatthepredictionaccuracyofthemodelonthedatasetisabout77%.whichisabout2%higherthantheNFMpredictionaccuracy，andthegeneralizationperformanceof'theoverallmodelisim-proved.KeyWords：recommendationsysteru;crossnetwork;factorizationmachineO引言随着“互联网+”时代的到来，互联网被海量数据和信息充斥，互联网用户在面对各种购物网站或其它服务网站时会面临巨大的选择范围，从而导致信息过载问题…。在有限时间内，用户不可能浏览所有信息，因而越来越多的零售商和电商关注推荐系统模型应用，重视用户潜在需求、行为模式、兴趣爱好等[2]，将用户满意的信息和产品推荐给用户。推荐系统模型大致可以分为3类：基于内容的推荐、协同过滤推荐和混合推荐。目前运用较为成功的是协同过滤模型，它主要是根据目标用户的历史行为数据在整个数据库中寻找与目标用户兴趣、行为相似的用户，将他们喜欢或感兴趣的信息、物品推荐给目标用户。协同过滤模型最为核心的步骤就是目标用户最近邻查询[3]，因而用户、项目的特征提取和相似度计算方法变得十分重要。目前，随着深度学习的兴起，该项技术在图像处理、白然语言处理领域已有了广泛应用，如人脸识别、机器翻译、问答系统、情感分析等[4]同时，深度学习技术为推荐系统领域研究提供了新思路。①深度学习模型是一种端到端的学习模式，白动学习数据特征，而无需手动提取;②深度学习通过一个可学习的网络模型，可以提取海量信息的数据特征，具有强大的数据表征能力[5];③深度学习可以接受多源异构数据进行学习，得到数据的统一表征，可以有效缓解推荐系统的数据稀疏问题[6]。很多时候，推荐可以被视为是用户偏好的项目特征之间的双向交互，He等[7]提出的NCF（NeuralCollaborativeFiltering）模型就是一种旨在捕获用户和项目之间的非线性关系框架。CCCFNet（Cross-clomainC...