1.1 研究目的及意义

推荐系统是商业领域的重要组成部分，而电影领域是测试和评估推荐系统的最常见场景之一。同时深度学习在信息检索和推荐系统方面得到广泛的应用，深度学习下的推荐系统更能抽象出用户的兴趣因子、项目特性以及历史信息，提高推荐的准确性。尽管深度学习方法在图像分类领域有着显著的成果，但在视频方面的应用更具有挑战。因此基于深度学习的电影推荐系统就成为一个前沿的有价值的研究课题之一。

传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐方法。其中，最经典的算法是协同过滤，如矩阵因子分解，其利用用户与项目之间的交互信息为用户产生推荐。协同过滤是目前应用最为广泛的推荐算法，但是同时也遭遇到了严重的数据稀疏（一个用户评分过的项目仅仅占总项目数量的极少部分）和冷启动（新的用户和新的项目往往没有评分数据）问题。此外，经典的协同过滤方法采用浅层模型无法学习到用户和项目的深层次特征。基于内容的推荐方法利用用户已选择的项目来寻找其他类似属性的项目进行推荐，但是这种方法需要有效的特征提取，传统的浅层模型依赖于人工设计特征，其有效性及可扩展性非常有限，制约了基于内容的推荐方法的性能。随着互联网中越来越多的数据能够被感知获取，包括图像、文本、标签在内的多源异构数据蕴含着丰富的用户行为信息及个性化需求信息，融合多源异构辅助信息的混合推荐方法由于能够缓解传统推荐系统中的数据稀疏和冷启动问题，而越来越受到重视，但是由于辅助信息往往具有多模态、数据异构、大规模、数据稀疏和分布不均匀等复杂特征，融合多源异构数据的混合推荐方法研究依然面临着严峻的挑战。

近年来，深度学习在图像处理、自然语言理解和语音识别等领域取得了突破性进展，已经成为人工智能的一个热潮，为推荐系统的研究带来了新的机遇。一方面，深度学习可通过学习一种深层次非线性网络结构，表征用户和项目相关的海量数据，具有强大的从样本中学习数据集本质特征的能力，能够获取用户和项目的深层次特征表示。另一方面，深度学习通过从数据中进行自动特征学习，从而将数据映射到一个的隐空间，能够获得数据的统一表征，在此基础上融合传统推荐方法进行推荐，能够有效利用数据，缓解传统推荐系统中的数据稀疏和冷启动问题。基于深度学习的推荐系统研究目前已经成为推荐系统领域的研究热点之一。

而当前将深度学习方法引入推荐系统的相关研究才刚刚起步，无法在大规模数据上的真实推荐场景中得到应用。另外如何正确地表示推荐系统中项目的内容也是一项艰巨的任务，特别是由于缺少来自信息源的注释信息。标签是一个很好的来源，但它们很大程度上依赖于用户交互，这意味着它们常常不能在自动化系统中使用。同时，对于新项目，只需要进行特征提取就可以向用户进行推荐，解决了新项目的冷启动问题，但常常会遭遇到特征提取困难的问题。早期的项目分析表明，通过利用深度学习从电影中提取的深层特征可以产生一个强大的电影语义表达。因此，本文提出了一种新颖的基于深度学习的电影CBF推荐系统，该系统利用超深度残差卷积神经网络从数以千计的电影预告片中学习，为每个用户提供有效的推荐。本文研究的主要目的是利用深度学习自动提取足够的语义信息来表达电影项目，以提高推荐的准确性。

1.2 国内外研究现状

深度学习是机器学习领域一个重要研究方向，近年来在图像处理、自然语言理解、语音识别和在线广告等领域取得了突破性进展。将深度学习融入推荐系统中，研究如何整合海量的数据，构建更加贴合用户偏好需求的用户模型，以提高推荐系统的性能和用户满意度，成为基于深度学习的推荐系统的主要任务。本章对传统的推荐系统，深度学习，以及基于深度学习的推荐系统研究进展进行综述。

1.2.1 推荐系统研究现状

推荐系统的主要思想是通过分析用户信息，在特定数据库中确定用户现在或者将来可能会感兴趣的内容，将这些内容主动提供给用户的服务。推荐算法是推荐系统的重要组成部分，它确定了整个系统的推荐策略，直接影响推荐系统的性能表现，因此推荐系统的研究工作主要集中在推荐算法的设计与实现中。推荐算法一般分为基于内容的过滤算法(Content-Based Filtering,CBF)，协同过滤算法(Collaborative Filtering,CF)以及混合推荐算法(Hybrid Recommendation)。

目前最成功的基于模型的协同过滤算法之一是LFM[8]算法。LFM算法使用矩阵分解方法降低数据的维度，提取隐含信息，将用户评分矩阵分解为用户偏好矩阵和商品特征矩阵。在用户偏好矩阵中，每个用户被看作其中的一个向量。在商品特征矩阵中，每个商品被看作其中的一个向量。在实际预测评分是，LFM算法使用给定用户的偏好向量和给定商品的特征向量去预测用户对商品的潜在评分。其他基于模型的算法中的矩阵分解模型包括SVD算法[9]和NMF算法[10]。