融合用戶潛在特征的深度跨域推薦方法

李 慧，於躍成

（江蘇科技大學(xué)計(jì)算機(jī)學(xué)院，江蘇鎮(zhèn)江 212100）

0 引言

當(dāng)前科技的迅速發(fā)展，使得各種類型的網(wǎng)站如雨后春筍般出現(xiàn)，造成數(shù)據(jù)進(jìn)一步爆炸式增長。因此，用戶若想從龐大的數(shù)據(jù)中篩選出真正感興趣的事物，需要花費(fèi)大量時(shí)間。推薦系統(tǒng)可以在搜集多類信息時(shí)，為用戶推送符合其需求的產(chǎn)品。作為目前應(yīng)用最廣泛的單領(lǐng)域推薦技術(shù)，協(xié)作過濾算法得到了學(xué)術(shù)界和工業(yè)界的重點(diǎn)關(guān)注［1-4］。矩陣分解作為最流行的協(xié)同過濾方法之一，也成為了關(guān)注的熱點(diǎn)。但是，用戶很少對(duì)一個(gè)物品作出評(píng)分，而且因物品種類繁多，導(dǎo)致矩陣分解通常使用的評(píng)分?jǐn)?shù)據(jù)具有稀疏性的缺點(diǎn)，而這種稀疏性一定程度上降低了傳統(tǒng)協(xié)同過濾技術(shù)評(píng)分預(yù)測(cè)精度。此外，協(xié)同過濾需要大量與網(wǎng)站互動(dòng)的歷史記錄，才能給出高質(zhì)量的推薦，因而造成了用戶冷啟動(dòng)問題。在一個(gè)新領(lǐng)域，用戶通常很少或根本沒有與網(wǎng)站互動(dòng)的歷史。因此，傳統(tǒng)推薦方法往往不能為冷啟動(dòng)用戶提供高質(zhì)量的推薦。

近年來，為解決用戶冷啟動(dòng)問題和數(shù)據(jù)稀疏性問題，跨域推薦技術(shù)應(yīng)運(yùn)而生，其目的是利用遷移學(xué)習(xí)的思想，在多個(gè)領(lǐng)域更豐富數(shù)據(jù)的幫助下，獲得相較于單領(lǐng)域更好的推薦性能，完成在不同領(lǐng)域知識(shí)的有效遷移。文獻(xiàn)［5］提出EMCDR（Embedding and Mapping framework for Cross-Domain Recommendation）模型，利用評(píng)分信息學(xué)習(xí)源域和目標(biāo)域的潛在特征，然后利用多層感知機(jī)學(xué)習(xí)兩者的映射關(guān)系，以此完成跨域推薦；文獻(xiàn)［6］在EMCDR 的基礎(chǔ)上，在映射部分選用半監(jiān)督方法進(jìn)行學(xué)習(xí)，通過對(duì)冷啟動(dòng)用戶的鄰居進(jìn)行重復(fù)聚合，計(jì)算出冷啟動(dòng)用戶在源域度量空間中的新向量，然后完成跨域推薦；文獻(xiàn)［7］使用兩個(gè)域重疊用戶提取的特征作為錨點(diǎn)，以DNN 訓(xùn)練源域到目標(biāo)域的映射函數(shù)，最終實(shí)現(xiàn)跨域、跨系統(tǒng)推薦。雖然跨域可以提高精度，但目前大多數(shù)跨域使用的僅僅是評(píng)分信息，未更好地融合評(píng)論及其他輔助信息。

評(píng)論文本等一些輔助信息可豐富用戶潛在特征，使其達(dá)到更好的效果［8-10］。例如文獻(xiàn)［11］考慮了具有時(shí)序性的醫(yī)療疾病上下文信息，利用Doc2vec 將每種疾病轉(zhuǎn)換成一個(gè)類似于其語義的數(shù)字向量；文獻(xiàn)［12］在對(duì)評(píng)分進(jìn)行矩陣分解的同時(shí)，使用doc2vec 對(duì)評(píng)論提取用戶文檔特征，然后進(jìn)行融合處理與跨域推薦。在評(píng)論處理過程中，也證明了注意力機(jī)制可更好地篩選信息［13-15］。

用戶評(píng)論包含了該用戶對(duì)商品的具體喜好，可更好地解釋用戶偏好及其原因［16］。用戶評(píng)論已廣泛應(yīng)用于單域推薦，并顯著提升了包括矩陣分解推薦方法在內(nèi)的協(xié)同過濾性能。受此啟發(fā)，本文以EMCDR 模型為基礎(chǔ)，提出為源域目標(biāo)域融合評(píng)分與評(píng)論信息的跨域推薦模型DRCDR（A Cross Domain Recommendation Model Fusing Rating and Review for Source and Target Domains）。DRCDR 研究具有兩個(gè)可用源域和一個(gè)目標(biāo)域的跨域推薦方法，設(shè)計(jì)兩個(gè)源域之間同時(shí)融合了各自評(píng)分信息和評(píng)論信息的潛在特征融合機(jī)制，以實(shí)現(xiàn)多源域融合特征在源域與目標(biāo)域之間的映射，最終實(shí)現(xiàn)跨域推薦。

1 相關(guān)工作

1.1 跨域推薦與相關(guān)符號(hào)介紹

跨域推薦中包含源域和目標(biāo)域，其中源域表示已含有相對(duì)豐富信息，并可從中獲得需要傳遞潛在特征的域；目標(biāo)域表示需要獲取傳遞特征，數(shù)據(jù)相對(duì)比較稀疏的域。而跨域推薦則是指利用相對(duì)豐富的源域信息，提高更稀疏目標(biāo)域的推薦性能。

假設(shè)源域與目標(biāo)域存在部分重合的用戶，US和UT分別表示源域與目標(biāo)域重疊用戶在各自域內(nèi)的潛在特征。而源域與目標(biāo)域的項(xiàng)目之間沒有交集，即VS、VT分別代表源域和目標(biāo)域項(xiàng)目的潛在特征。根據(jù)每個(gè)域用戶與項(xiàng)目之間的隱式交互，可構(gòu)建用戶和項(xiàng)目的矩陣RS、RT。RS表示用戶源域的交互矩陣，即RS∈RN*|S|；RT表示用戶目標(biāo)域的交互矩陣，即RT∈RN*|T|。|S|表示源域項(xiàng)目個(gè)數(shù)，|T|表示目標(biāo)域項(xiàng)目個(gè)數(shù)。

將用戶在源域和目標(biāo)域的評(píng)論信息分別表示為XS、XT，USR、UTR代表從評(píng)分矩陣RS、RT中通過矩陣分解獲得的用戶評(píng)分潛在特征向量，可使用USC、UTC分別表示從源域與目標(biāo)域評(píng)論中獲取的用戶評(píng)論潛在特征。

1.2 EMCDR模型

在現(xiàn)有跨域推薦方法中，嵌入源域信息并映射到目標(biāo)域的EMCDR 框架是一類具有較好性能的跨域推薦方法，尤其對(duì)于冷啟動(dòng)用戶的推薦具有明顯改善。EMCDR 模型可概括為：①在潛在空間中對(duì)用戶和項(xiàng)目進(jìn)行嵌入的過程；②學(xué)習(xí)源域與目標(biāo)域之間的映射關(guān)系，然后進(jìn)行跨域推薦。矩陣分解將用戶和項(xiàng)目潛在向量的內(nèi)積作為用戶與項(xiàng)目的交互，在EMCDR 嵌入過程中通過矩陣分解學(xué)習(xí)源域和目標(biāo)域用戶與項(xiàng)目的潛在特征［5］。EMCDR 映射部分的實(shí)現(xiàn)過程可形式化為有監(jiān)督的回歸問題，其主要以源域和目標(biāo)域的共同用戶為橋梁建立兩個(gè)域之間的關(guān)系，從而學(xué)習(xí)映射函數(shù)fmlp。

對(duì)映射部分進(jìn)行優(yōu)化時(shí)，需要把映射函數(shù)從源域傳輸過來的用戶潛在特征與目標(biāo)域用戶潛在特征之間的差距最小化。映射函數(shù)學(xué)習(xí)完畢后，EMCDR 可根據(jù)映射函數(shù)獲得冷啟動(dòng)用戶在目標(biāo)域的用戶潛在特征向量，即從而可使用映射過來的用戶潛在特征和目標(biāo)域的項(xiàng)目特征向量VT改善冷啟動(dòng)用戶推薦效果。公式（1）是多層感知機(jī)（Multi-layer Perceptron，MLP）的映射損失是MLP 映射函數(shù)，θ 是其參數(shù)集，代表多層感知機(jī)層與層之間的權(quán)重矩陣和偏差項(xiàng)。

2 DRCDR跨域推薦模型

本節(jié)提出一個(gè)用于跨域推薦的深度模型框架，稱為DRCDR。具體如圖1所示。

2.1 源域與目標(biāo)域潛在特征獲取

2.1.1 評(píng)分潛在特征提取

跨域推薦第一步的目的是獲取源域和目標(biāo)域中用戶與項(xiàng)目評(píng)分的潛在特征。矩陣分解就是實(shí)現(xiàn)這一目的的方法之一。實(shí)際用于推薦系統(tǒng)的矩陣分解思想很簡單：可直接通過訓(xùn)練集中的觀察值，利用最小化均方根學(xué)習(xí)U、V矩陣。這種模型也被稱作隱語義模型，其算法意義層面的解釋為通過隱含特征將用戶興趣與項(xiàng)目特征聯(lián)系起來［17］。正如公式（2）所示，分解后每個(gè)用戶得到一個(gè)用戶特征向量Ui，每個(gè)項(xiàng)目得到一個(gè)項(xiàng)目特征向量Vj。物品被關(guān)注的因素和用戶偏好的因素，其數(shù)量與意義是一致的。

Fig.1 Model framework of DRCDR圖1 DRCDR模型框架

因此，該算法在源域的損失函數(shù)可表示如下：

矩陣R 為m × n 的稀疏矩陣，Um×k代表用戶潛在特征，Vk×n代表項(xiàng)目潛在特征。后面兩項(xiàng)為正則項(xiàng)，以此防止過擬合。具體過程可概括為使用用戶潛在特征U 和項(xiàng)目潛在特征V 來減小與真實(shí)評(píng)分矩陣之間的誤差，誤差越小，代表獲得的潛在特征越準(zhǔn)確。根據(jù)矩陣分解可獲得源域潛在特征USR1，VS1、USR2，VS2和 目標(biāo)域潛在特征UTR，VT。

2.1.2 評(píng)論潛在特征提取

人們?nèi)粘Ｊ褂玫恼Z言比較抽象，計(jì)算機(jī)不能識(shí)別該語言，所以需要把其轉(zhuǎn)換成數(shù)值形式，這種嵌入方式稱為詞嵌入。單詞嵌入層可將單詞序列轉(zhuǎn)換為密集的矩陣，這一部分可使用預(yù)先訓(xùn)練好的單詞嵌入，如Google 的Word2vec。Word2vec 是詞嵌入方式之一，屬于自然語言處理領(lǐng)域，可將詞轉(zhuǎn)化為可計(jì)算、結(jié)構(gòu)化的向量過程。Word2vec 更關(guān)注的是訓(xùn)練過程中的產(chǎn)物——模型參數(shù)，并將其作為輸入的某種向量化表示，該向量被稱為詞向量［18］。

Doc2vec 是Le 等［19］（同時(shí)也是Word2vec 的作者）在2014 年所提出的文章向量，主要講述如何將文章轉(zhuǎn)換成向量表示的算法。本文使用Doc2vec獲得句向量的表示。

RNN（Recurrent Neural Network）是一種將序列數(shù)據(jù)作為輸入的神經(jīng)網(wǎng)絡(luò)，其與基礎(chǔ)神經(jīng)網(wǎng)絡(luò)之間的最大差距是其不僅在層之間建立全連接，而且在層之間的神經(jīng)元之間建立連接。LSTM（Long Short-Term Memory）是RNN 網(wǎng)絡(luò)一種效果很好的變體，較RNN 網(wǎng)絡(luò)結(jié)構(gòu)更加簡單，而且能夠有效解決RNN 的梯度消失和梯度爆炸問題，因此也是當(dāng)前非常流行的網(wǎng)絡(luò)。

其中，ht-1代表前一個(gè)輸出，xt代表當(dāng)前輸入，σ代表sigmoid 函數(shù)，it代表輸入門輸出，ft代表遺忘門輸出，ot代表輸出門輸出，ht代表當(dāng)前單元輸出。LSTM 每個(gè)cell 輸入該用戶按時(shí)間順序輸入的評(píng)論句向量。LSTM 能夠記住需要長時(shí)間記憶的信息，忘記不重要的信息，因而LSTM 能夠獲得體現(xiàn)用戶喜好的潛在特征。

Bi-LSTM 在LSTM 基礎(chǔ)上，結(jié)合了輸入序列在前后兩個(gè)方向上的信息，可看作兩層神經(jīng)網(wǎng)絡(luò)。前向LSTM 從左邊作為系列的起始輸入，后向LSTM 則從右邊作為系列的起始輸入，反向與第一層作一樣的處理。最后對(duì)得到的兩個(gè)不同順序下LSTM 的結(jié)果進(jìn)行連接，獲得評(píng)論上下文中蘊(yùn)含的潛在特征。

詞級(jí)別的注意力機(jī)制會(huì)給每個(gè)單詞分配不同的注意力權(quán)重，以此體現(xiàn)出每個(gè)單詞對(duì)當(dāng)前整條信息的影響。本文針對(duì)句子級(jí)別的注意力，而句子級(jí)別的注意力與詞級(jí)別的注意力具有異曲同工的作用。句子級(jí)別注意力的輸入是Bi-LSTM 對(duì)應(yīng)輸出的句子向量hi，wi代表權(quán)重，bi代表偏置，經(jīng)過Softmax操作后可獲得αi。αi指相對(duì)于用戶每個(gè)句子i的權(quán)重，UC表示處理完評(píng)論后的輸出。針對(duì)每個(gè)用戶，用戶評(píng)論潛在特征UC是由注意力權(quán)重對(duì)Bi-LSTM 的輸出進(jìn)行加權(quán)求和得到的。最終獲得源域和目標(biāo)域的評(píng)論潛在特征USC1、USC2、UTC。具體公式如下：

2.2 融合評(píng)論信息映射的跨域方法

2.2.1 融合評(píng)分與評(píng)論信息

由于融合評(píng)分或評(píng)論的潛在特征時(shí)，無法確定其各自選取的比例，本文中向量的簡單融合方法是逐位相加，兩個(gè)向量的權(quán)重α 為0.5。融合評(píng)分與評(píng)論潛在特征，具體對(duì)兩個(gè)向量進(jìn)行如下操作：

2.2.2 融合雙源域評(píng)論信息

因?yàn)閱蝹€(gè)源域數(shù)據(jù)較為稀疏，所以添加另一個(gè)領(lǐng)域的信息到源域，對(duì)數(shù)據(jù)進(jìn)行補(bǔ)充。對(duì)于數(shù)據(jù)融合，本文選擇為雙方增加權(quán)值來為源域融合相關(guān)信息，以使源域數(shù)據(jù)相對(duì)豐富，以此獲得更豐富、更能代表目標(biāo)域冷啟動(dòng)用戶的潛在特征，最終實(shí)現(xiàn)跨域推薦。

2.2.3 融合評(píng)論信息的MLP 映射

MLP 多層感知器是一種前向結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，映射一組輸入向量到另一組輸出向量。MLP 的優(yōu)勢(shì)在于：一個(gè)經(jīng)過訓(xùn)練的MLP 可由第一層的輸入經(jīng)過非線性變換映射到另一個(gè)線性可分的由隱層節(jié)點(diǎn)組成的空間里，并使用反向傳播算法的監(jiān)督學(xué)習(xí)方法訓(xùn)練MLP。在進(jìn)行MLP 反向傳播前，需要選擇一個(gè)損失函數(shù)來度量訓(xùn)練樣本計(jì)算出的輸出與真實(shí)訓(xùn)練樣本輸出之間的損失。

MLP 是將共同用戶在源域融合后的潛在特征US作為輸入，將該用戶在目標(biāo)域的評(píng)分潛在特征UTR作為輸出，以此訓(xùn)練網(wǎng)絡(luò)，得到非線性映射函數(shù)。最后，MLP 易于通過反向傳播方法進(jìn)行優(yōu)化。具體來說，在跨域推薦中，對(duì)于用戶，可將優(yōu)化問題形式化為：

其中，是指源域的用戶潛在特征向量是指目標(biāo)域的用戶潛在特征向量是MLP 映射函數(shù)，θ是其參數(shù)集，即層之間的權(quán)重矩陣和偏差項(xiàng)。

2.3 跨域方法

跨域方法主要運(yùn)用MLP 學(xué)習(xí)到的映射函數(shù)。首先根據(jù)獲得的源域和目標(biāo)域用戶潛在特征學(xué)習(xí)映射函數(shù)，并利用映射函數(shù)獲得待推薦用戶在目標(biāo)域的潛在特征，然后結(jié)合目標(biāo)域評(píng)分信息獲得項(xiàng)目潛在特征VT，最終實(shí)現(xiàn)跨域推薦。fmlp(·；θ)是映射函數(shù)是用戶潛在特征是根據(jù)映射函數(shù)得到的冷啟動(dòng)用戶在目標(biāo)域?qū)?yīng)的潛在特征。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集

本文使用Amazon 數(shù)據(jù)集評(píng)估模型，數(shù)據(jù)集包含21 個(gè)不同項(xiàng)域，選擇電影、音樂和圖書3 個(gè)類別的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。每個(gè)數(shù)據(jù)集包含用戶、項(xiàng)目、評(píng)分、評(píng)論和評(píng)論時(shí)間5 種類型節(jié)點(diǎn)。將每個(gè)觀察到的評(píng)分視為隱式反饋記錄，即用戶—項(xiàng)目交互，然后定義跨域推薦場(chǎng)景：電影，音樂→圖書。每個(gè)數(shù)據(jù)集的初始數(shù)據(jù)都有12 萬條以上，對(duì)于電影、音樂和圖書的兩個(gè)域中，首先過濾掉交互項(xiàng)數(shù)量少于10 個(gè)的共同用戶，也過濾掉非重疊用戶及少于120 條信息的電影和圖書，然后篩選具有超過30 條信息的共同用戶音樂數(shù)據(jù)，將其設(shè)置為一個(gè)跨域場(chǎng)景的最終數(shù)據(jù)集。表1總結(jié)了CDR 場(chǎng)景詳細(xì)信息。

Table 1 The dataset表1 數(shù)據(jù)集

3.2 評(píng)價(jià)指標(biāo)與基線方法

為衡量本文算法的預(yù)測(cè)準(zhǔn)確度，采用均方根誤差（Root Mean Squared Error，RMSE）和平均誤差（Mean Absolute Error，MAE）兩個(gè)指標(biāo)。

其中，m表示測(cè)試集評(píng)分集合，Ri表示評(píng)分集合中的實(shí)際評(píng)分表示實(shí)驗(yàn)得出的該評(píng)分預(yù)測(cè)值|表示測(cè)試集中的評(píng)分個(gè)數(shù)。

本文選取的基線方法包括：

（1）概率矩陣分解［20］（PMF）。概率矩陣分解是一種基于基本矩陣分解引入概率模型進(jìn)行優(yōu)化的模型。

（2）聯(lián)合矩陣分解［21］（CMF）。CMF 模型通過分別分解評(píng)分矩陣，將不同來源的信息結(jié)合起來，使用戶在不同矩陣中的潛在特征向量共享。

（3）一種嵌入和映射框架的跨域推薦（EMCDR）模型［5］。該模型分別在源域和目標(biāo)域采用兩個(gè)矩陣分解模型，然后使用多層感知機(jī)和線性映射建立兩個(gè)域之間的映射關(guān)系，并根據(jù)映射關(guān)系獲得相應(yīng)評(píng)分，最終為冷啟動(dòng)用戶進(jìn)行推薦。本文選取其中兩種方法MF_EMCDR_LIN（MEL）和MF_EMCDR_MLP（MEM）進(jìn)行對(duì)比。

（4）C-DRCDR。對(duì)于源域，只采用一個(gè)域的信息進(jìn)行跨域推薦。

3.3 實(shí)驗(yàn)設(shè)置

本文采用Pytorch 對(duì)DRCDR 模型進(jìn)行實(shí)現(xiàn)，為評(píng)估該框架在跨域推薦中的效果，選取一部分用戶，刪除其在目標(biāo)域的評(píng)分與評(píng)論信息，將其作為冷啟動(dòng)用戶進(jìn)行跨域推薦。同時(shí)為更好地對(duì)用戶進(jìn)行分析，設(shè)置φ代表冷啟動(dòng)用戶在所有用戶中的比例。實(shí)驗(yàn)中，設(shè)置φ值為50%、30%、10%，潛在特征大小為100。對(duì)于MLP 映射函數(shù)，選擇其結(jié)構(gòu)為單層隱藏層，輸入輸出維度都為100，隱藏層節(jié)點(diǎn)個(gè)數(shù)為2×100，并設(shè)置正則化參數(shù)為0.01，學(xué)習(xí)率為0.000 1。由實(shí)驗(yàn)結(jié)果可知，當(dāng)β 取值為0.57 時(shí)，效果較好。對(duì)于只需要一個(gè)源域的跨域方法，本文使用電影—圖書數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。

3.4 實(shí)驗(yàn)結(jié)果分析

RMSE 和MAE 在電影音樂—圖書場(chǎng)景上的所有實(shí)驗(yàn)結(jié)果如表2、表3所示。

Table 2 RMSE experimental results of different models表2 不同模型RMSE實(shí)驗(yàn)結(jié)果

Table 3 MAE experimental results of different models表3 不同模型MAE實(shí)驗(yàn)結(jié)果

與基線方法相比，根據(jù)表中RMSE 和MAE 的數(shù)值分析，DRCDR 在為冷啟動(dòng)用戶提供推薦方面取得了優(yōu)異的成果。由表2 和表3 的第一列PMF 可觀察得出，隨著φ 值的增大，其對(duì)應(yīng)值的范圍變化相對(duì)較大，性能明顯降低，主要原因是PMF 為單域推薦，用戶信息的豐富性會(huì)影響推薦效果。此外，可由MEL 與MEM 兩列數(shù)據(jù)結(jié)果看出MLP 映射的優(yōu)勢(shì)，其可有效獲得源域與目標(biāo)域之間的映射關(guān)系，同時(shí)也體現(xiàn)了使用MLP 映射的合理性。由圖2 可以看出，相對(duì)于前4 種方法，C-DRCDR、DRCDR 取得了更好的效果，證明了評(píng)論信息的有效性。不同φ值下的模型實(shí)驗(yàn)結(jié)果比較如圖2所示。

Fig.2 Comparison of experimental results of each model under different φ values圖2 不同φ值下模型實(shí)驗(yàn)結(jié)果比較

當(dāng)φ 為30%時(shí)，DRCDR 模型的RMSE、MAE 相比MEL、MEM 模型提高了1%～3%，當(dāng)φ 值變大時(shí)，RMSE 和MAE 值也隨之變大。因?yàn)棣?代表冷啟動(dòng)用戶占比，即測(cè)試集大小，每個(gè)基線方法的效果和DRCDR 模型性能都與訓(xùn)練集大小，即數(shù)據(jù)信息的豐富度有著重要關(guān)系。模型實(shí)驗(yàn)結(jié)果如圖3 所示。由圖3 可以看出，當(dāng)φ為10%時(shí)，實(shí)驗(yàn)的每個(gè)模型都獲得了最優(yōu)結(jié)果。根據(jù)表2、表3 可看到，DRCDR模型的RMSE 和MAE 相較于傳統(tǒng)跨域方法提高了2%～4%，由此證明本文處理并融合評(píng)論信息方法的合理性，以及提出的通過增加源域信息來源以減少數(shù)據(jù)稀疏帶來影響方法的有效性。

Fig.3 Model experiment results圖3 模型實(shí)驗(yàn)結(jié)果

4 結(jié)語

本文在EMCDR 基礎(chǔ)上提出融合評(píng)論上下文特征的深度跨域推薦框架DRCDR，該模型利用評(píng)分和評(píng)論中的上下文信息提高跨域推薦性能。本文主要在EMCDR 模型基礎(chǔ)上對(duì)兩部分進(jìn)行了優(yōu)化：①融合兩個(gè)領(lǐng)域信息以改善數(shù)據(jù)稀疏性；②不僅對(duì)源域增加了評(píng)論信息，而且考慮了目標(biāo)域的評(píng)論信息。雖然本文在原有模型基礎(chǔ)上的改進(jìn)獲得了顯著效果，但對(duì)于數(shù)據(jù)融合方法仍需要作進(jìn)一步改進(jìn)。未來也可在評(píng)論信息的基礎(chǔ)上，考慮加入其他數(shù)據(jù)，例如用戶年齡、地域和朋友關(guān)系等信息，以進(jìn)一步提升跨域推薦的個(gè)性化程度。