在推荐器系统中，已经在利用矩阵分解中的文本信息方面做出了许多努力，以减轻数据稀疏性的问题。 最近，一些工作探索了神经网络，以深入了解文本项的内容，并进一步生成更准确的项潜在模型。 这些工作在执行建议方面取得了令人印象深刻的效果。然而，如何有效地利用矩阵分解中的用户和项目的描述文件仍然存在一个未解决的问题。 在本文中，我们提出了内容嵌入正则化矩阵分解（CERMF）来解决此问题。 CERMF采用卷积神经网络同时为用户和物品生成独立的嵌入表示。 然后，使用双重嵌入来规范用户和项目的latent.mod