近日，实验室硕士生徐润芝的论文“SDNN: Symmetric Deep Neural Networks with Lateral Connections for Recommender Systems”被中国计算机学会（CCF）推荐B类期刊Information Sciences录用。
推荐系统是缓解数据爆炸问题的关键途径。近年来，随着深度学习的迅速发展，已经有不少研究将深度神经网络（DNN）应用于推荐系统。这些方法大多倾向于通过DNN捕捉用户项目表示和匹配分数之间的复杂映射关系。这些方法主要是金字塔结构，将关系映射到低维空间，然后通过逻辑回归预测结果。然而，在低维空间中，部分关系可能是线性不可分的，在低维空间中难以分离的数据在映射到高维空间后可以变得更容易。因此，在梯形网络的启发下，我们提出了一种具有横向连接的对称深层神经网络（SDNN），它可以同时学习高维和低维空间中的关系。此外，考虑到深度神经网络在捕捉用户和项目之间的低秩关系方面效率非常低，我们进一步将SDNN与改进的深度矩阵分解模型结合到一个统一的框架中，并将这种新模型命名为DualCF。我们在三个基准数据集上进行了大量实验，结果验证了SDNN和DualCF在隐式反馈预测方面的有效性。