近年來，推薦系統在各種商業領域得到了廣泛的應用。

為使用者提供建議的平臺。協同過濾演算法是推薦系統中使用的主要演算法之一。這種演算法簡單、高效;然而，資料的稀疏性和方法的可擴充套件性限制了這些演算法的效能，並且很難進一步提高推薦結果的質量。因此，提出了一種將協同過濾推薦演算法與深度學習技術相結合的模型，其中包括兩部分。首先，該模型採用基於二次多項式迴歸模型的特徵表示方法，通過改進傳統的矩陣因子分解演算法，更準確地獲得潛在特徵。這些潛在特徵被認為是深層神經網路模型的輸入資料。該模型的第二部分，用於預測評價分數。最後，通過與其他三個公共資料集的推薦演算法進行比較，驗證了我們的模型可以有效地提高推薦效能。

  隨著人工智慧技術的發展，越來越多的智慧產品正在被應用。日常生活，為各種各樣的人提供方便。個性化推薦系統的智慧推薦功能可以有效地為使用者提供服務。從海量的網際網路資料中獲取有價值的

   推薦演算法是推薦系統中最重要的部分，直接決定推薦結果的質量和效能。的系統。常用的演算法可以分為兩大類:基於內容的[1]方法和協同過濾[2]-[4]方法。基於內容的方法通過對額外資訊(如文件內容、使用者配置檔案和專案屬性)的分析來構建使用者和專案的肖像（描述），從而提出建議。在大多數情況下，用來構建肖像的資訊很難獲得甚至是偽造的;因此,它的效能而且應用範圍受到很大的限制。協同過濾演算法是推薦系統中應用最廣泛的演算法

   近年來，深度神經網路(DNNs)在計算機視覺[5]、語音識別[6]、自然語言處理[7]等各個領域取得了巨大的成功。然而，對這些技術的推薦系統研究很少。一些研究人員

最近提出的基於深度學習的推薦模型，但大多數模型都使用了附加的特性，比如文字內容和音訊資訊，以提高它們的效能。鑑於上述資訊可能難以獲得大多數推薦系統，本文提出了一種基於DNNs

   本文的其餘部分組織如下:在第2節中，我們介紹了基於DNNs的CF方法和一些推薦演算法。我們將在第3節詳細描述我們的模型。第4節包含一些實驗評估和討論。在第5節中我們提供了一個簡短的結論。

Breese等[8]將CF演算法分為兩類:基於記憶體的方法和基於模型的方法。基於記憶體的CF使用使用者[9]或專案[10]之間的相似性來提出建議。由於該方法有效且易於實現，因此得到了廣泛的應用，但隨著推薦系統規模的增大，相似度的計算也變得越來越困難;此外，高資料稀疏性也限制了該方法的效能。

為了解決上述問題，提出了許多基於模型的推薦演算法，如潛在語義模型[11]、貝葉斯模型[12]、基於迴歸的模型[13]、聚類模型[14]、矩陣因子分解模型[15]。在各種CF技術中，矩陣分解是最常用的方法。該方法將使用者和項對映到具有相同維度的向量，該維度表示使用者或項的潛在特性。該方法的代表性工作包括非引數概率主成分分析(NPCA)[16]、奇異值分解(SVD)[17]、概率矩陣分解(PMF)[18]。然而，通過矩陣分解方法學習的潛在特徵往往不夠有效，特別是當評價矩陣非常稀疏的時候。

另一方面，深度學習技術最近在計算機視覺和自然語言處理領域取得了巨大的成功。這些技術在學習特徵表現方面表現出極大的潛力;因此,研究人員已經開始將深度學習方法應用於推薦領域。Salakhutdinov等[19]使用受限的玻爾茲曼機代替傳統的矩陣分解來執行CF，而Georgiev和Nakov[20]通過合併兩者之間的關聯來擴充套件工作。使用者和專案之間。還有其他一些基於深度學習的研究方法，但他們主要關注[21]和[22]等音樂推薦。這些研究分別使用傳統的卷積神經網路和深度信任網路來學習音樂的內容特徵。除了音樂推薦，Wang等[23]提出了採用深度學習模型獲取內容特徵的層次貝葉斯模型，並採用傳統的CF模型來處理評級資訊。正如我們所看到的，這些基於深度學習技術的方法或多或少地通過學習諸如文字內容之類的內容特徵來提出建議。以及音樂的光譜。當我們無法獲得物品的內容時，這些方法是不適用的。因此，他等[24]提出了一種基於深度學習的新的推薦框架。在他們的方法中，使用者和專案通過其ID的一熱編碼表示;顯然，該方法只在模型的訓練階段使用ID資訊，這使得大量的先驗資訊無法使用。因此，特徵學習的有效性難以保證。