协同标注作为一种成熟的技术,常被用来解决信息资源索引、管理、检索等问题,但存在因数据间交互信息不充分或无交互信息带来的冷启动问题。目前常用的解决办法是采用内容信息来增强和改善注释算法,尤其是基于文本内容的协同过滤,但对于如何更好地提取文本特征、衡量项目相似性等还需要深入探究。针对以上问题,本文结合稀疏线性方法(Sparse Linear Method,SLIM)和孪生卷积神经网络(Siamese Convolution Neural Network,SCNN)提出了一种基于相似度神经网络的协同标注模型(Similarity Neural Network based Collaborative Annota-tion Model,SNNCA)。该模型将SCNN组件用于内容信息的特征提取和项目相似性计算,其输出可视为两个输入内容的非线性相似性度量函数。为了解决SCNN的参数训练问题,本文通过SLIM从已有项目标注数据中学习项目间的相似关系稀疏系数矩阵W,将获得的结果用于训练SCNN组件中的参数。基于此思路,本文专门设计了模型参数学习方法,并通过交叉迭代方式,实现模型参数的联合优化,即每次迭代,固定SCNN组件参数,通过坐标下降法求解SLIM参数W;然后固定W作为SCNN组件的训练标记,通过后向传播方法求解一个最小二乘问题,实现SCNN组件参数的更新。本文创新之处在于引入神经网络组件衡量项目内容的相似性,并与基于项目的协同过滤模型有机结合,同时解决了特征提取、相似性度量学习等问题。本文采用从CiteULike和ProgrammableWeb收集的三个不同维度的标签数据集来检验所提出模型的性能。经过全面实验,验证了所提出模型的有效性。通过量化对比后发现,所提出的模型比基线模型在推荐准确度和查准率上提高了 3%-11%。经过不同维度的对比分析后发现,内容信息的表示越丰富,模型的性能也就越优异,并且数据集的稀疏性越大,则模型的性能越突出。