The collaborative filtering method is widely used in the traditional recommendation system. The collaborative filtering method based on matrix factorization treats the user’s preference for the item as a linear combination of the user and the item latent vectors, and cannot learn a deeper feature representation. In addition, the cold start and data sparsity remain major problems for collaborative filtering. To tackle these problems, some scholars have proposed to use deep neural network to extract text information, but did not consider the impact of long-distance dependent information and key information on their models. In this paper, we propose a neural collaborative filtering recommender method that integrates user and item auxiliary information. This method fully integrates user-item rating information, user assistance information and item text assistance information for feature extraction. First, Stacked Denoising Auto Encoder is used to extract user features, and Gated Recurrent Unit with auxiliary information is used to extract items’ latent vectors, respectively. The attention mechanism is used to learn key information when extracting text features. Second, the latent vectors learned by deep learning techniques are used in multi-layer nonlinear networks to learn more abstract and deeper feature representations to predict user preferences. According to the verification results on the MovieLens data set, the proposed model outperforms other traditional approaches and deep learning models making it state of the art.

协同过滤方法在传统推荐系统中被广泛使用。基于矩阵分解的协作过滤方法将用户对商品的偏好视为用户与商品潜在向量的线性组合，并且无法学习更深的特征表示。此外，冷启动和数据稀疏性仍然是协作过滤的主要问题。为了解决这些问题，一些学者提出使用深度神经网络来提取文本信息，但并未考虑长途依赖信息和关键信息对其模型的影响。在本文中，我们提出了一种神经协作过滤推荐器方法，该方法将用户和项目辅助信息集成在一起。此方法完全集成了用户项目评分信息，用于特征提取的用户帮助信息和项目文本帮助信息。首先，使用堆叠式降噪自动编码器提取用户特征，并使用带有辅助信息的门控循环单元分别提取项目的潜在矢量。注意机制用于在提取文本特征时学习关键信息。其次，通过深度学习技术学习到的潜在矢量被用于多层非线性网络中，以学习更多抽象和更深层的特征表示来预测用户的偏好。根据对MovieLens数据集的验证结果，提出的模型优于其他传统方法和深度学习模型，使其成为最新技术。和带有辅助信息的门控循环单元分别用于提取项目的潜在向量。注意机制用于在提取文本特征时学习关键信息。其次，通过深度学习技术学习的潜在矢量被用于多层非线性网络中，以学习更多抽象和更深层的特征表示，从而预测用户的喜好。根据对MovieLens数据集的验证结果，提出的模型优于其他传统方法和深度学习模型，使其成为最新技术。和带有辅助信息的门控循环单元分别用于提取项目的潜在向量。注意机制用于在提取文本特征时学习关键信息。其次，通过深度学习技术学习的潜在矢量被用于多层非线性网络中，以学习更多抽象和更深层的特征表示，从而预测用户的喜好。根据对MovieLens数据集的验证结果，提出的模型优于其他传统方法和深度学习模型，使其成为最新技术。深度学习技术所学习的潜矢量被用于多层非线性网络中，以学习更多抽象和更深层的特征表示，从而预测用户的喜好。根据对MovieLens数据集的验证结果，提出的模型优于其他传统方法和深度学习模型，使其成为最新技术。深度学习技术所学习的潜矢量被用于多层非线性网络中，以学习更多抽象和更深层的特征表示，从而预测用户的喜好。根据对MovieLens数据集的验证结果，提出的模型优于其他传统方法和深度学习模型，使其成为最新技术。