隨著在線社交的多媒體共享網(wǎng)站的蓬勃發(fā)展，社交圖像推薦逐漸成為硏究熱點(diǎn)。人們通常對(duì)社交圖像進(jìn)行標(biāo)簽化、分組化，使得圖像數(shù)據(jù)更加易于管理。傳統(tǒng)的圖像標(biāo)簽或分組推薦方法往往只關(guān)注特定任務(wù)，忽略了標(biāo)簽推薦和分鉏推薦仼務(wù)之間的隱含關(guān)系。多任務(wù)學(xué)習(xí)則可以充分挖掘不同任務(wù)對(duì)圖像的共享或相互關(guān)聯(lián)的隱含表示，融合多種任務(wù)抽取圖像特征，對(duì)于提高單一任務(wù)的準(zhǔn)確性具有積極意義。因此，文中提岀了一種基于深度多任務(wù)學(xué)習(xí)的社交圖像標(biāo)簽和分組聯(lián)合推薦模型。該法使用基于比較的偏序?qū)W習(xí)深度網(wǎng)絡(luò)分別進(jìn)行標(biāo)簽推薦和分組推薦，有效緩解了單任務(wù)中的數(shù)據(jù)稀疏性問題。此外，在處理社交圖像視覺特征的卷積神經(jīng)網(wǎng)絡(luò)中，首先使用多任務(wù)學(xué)習(xí)將來自不同任務(wù)的中間層特征進(jìn)行連接，然后通過卷積實(shí)現(xiàn)降維和特征的自動(dòng)融合使得不同任務(wù)的圖像特征得到共享，同時(shí)降維后的融合特征能夠滿足下一層卷積神經(jīng)網(wǎng)絡(luò)的尺寸要求，使得單一任務(wù)的整體結(jié)構(gòu)得以保持。從大量 Flickr圖片共享網(wǎng)站上爬取的真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有經(jīng)典推薦算法相比，所提算法獲得的準(zhǔn)確率和召回率均有較大提升，證明了該方法的有效性和可行性。