基于神经网络的矩阵分解推荐研究综述.docVIP

基于神经网络的矩阵分解推荐研究综述

一、传统矩阵分解推荐模型的局限与研究背景

推荐系统作为解决信息过载问题的核心技术，在电子商务、内容平台、社交网络等场景中已成为提升用户体验、挖掘商业价值的关键支撑。早期协同过滤模型基于用户-物品交互矩阵的全局或局部相似性实现推荐，其中矩阵分解技术凭借低维空间嵌入的高效性与可解释性，一度成为工业界主流方案。传统矩阵分解模型将用户和物品映射到同一个隐因子空间，通过最小化交互观测值与隐向量内积的误差完成参数学习，典型代表如奇异值分解（SVD）、概率矩阵分解（PMF）等，能够在相对稀疏的交互数据下实现尚可的推荐效果。

但随着互联网场景的复杂度不断提升，传统矩阵分解的固有缺陷逐渐暴露：其一，模型的表达能力受限于线性内积的假设，仅能捕捉用户与物品隐特征的一阶线性关联，无法刻画交互行为中广泛存在的非线性依赖关系，例如用户对物品的偏好可能受场景、时间、社交关系等多重因素的非线性耦合影响；其二，传统矩阵分解难以有效融合多源异构辅助信息，包括用户属性、物品内容描述、用户评论、社交网络关系、时空特征等，这类辅助信息恰恰是缓解交互数据稀疏性、冷启动问题的关键资源，而线性模型的特征交叉能力不足导致大量有价值信息被浪费；其三，传统模型对序列化交互行为的建模能力薄弱，用户的兴趣是动态演化的，而静态矩阵分解无法捕捉用户偏好随时间的迁移规律，难以实现时序性的个性化推荐。

神经网络