基于深度學習的商品推薦系統研究

杜少波

摘要：隨著移動互聯網和電子商務的快速發展，網上購物已經成為人們生活的一部分。商品推薦系統可以提升用戶體驗，同時增加商品銷售量。深度學習技術更加精準的分析、計算用戶曾經瀏覽或購買的商品，因此基于深度學習技術的商品推薦系統可以更加精準的為用戶提供服務。

Abstract： With the rapid development of mobile Internet and e-commerce， online shopping has become a part of people's life. The recommendation system can improve the user experience and increase the sales of goods. Deep learning technology is more accurate in analyzing and calculating the products that users have browsed or purchased. Therefore， the product recommendation system based on deep learning technology can provide more accurate services for users.

關鍵詞：深度學習;推薦;神經網絡

Key words： deep learning;recommendation;neural network

中圖分類號：TP391.3? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）26-0237-02

0? 引言

推薦系統的發展起源于上世紀90年代協同過濾算法的提出，隨后推薦系統逐漸成為一門獨立學科進行研究。隨著移動互聯網、電子商務的快速發展，人們身邊信息呈現爆炸式增長，新的網絡購物平臺層出不窮，因此購物平臺上的商品也是數不勝數，用戶無法及時快速的從平臺上快速有效的獲取需要的信息，怎樣才能讓用戶快速、準確的找到想要購買的商品，已經成為購物平臺是否能夠成功的關鍵因素，推薦系統成為解決該問題的主流方法，這就使得推薦系統成為當前研究的熱點。推薦系統利用用戶瀏覽的歷史信息、購買記錄、用戶喜好等相關信息，構建用戶喜好模型矩陣，從而生成用戶推薦列表。商品推薦算法主要分為：基于流行度的算法、基于內容的算法、基于內容的算法、基于模型的算法和混合算法。這些算法模型可以很好的進行商品推薦，但是在處理數據稀疏性和冷啟動問題有各自的局限性。基于深度學習的商品推薦算法可以較好的克服以上推薦算法的問題，同時可以將更加復雜的抽象編碼作為更高層的數據表示。

1? 深度學習

2006年，辛頓等人提出了深度學習的概念[1]。按照深度學習的概率可以理解為：深度學習是一種特殊的機器學習，它具有高的靈活性和性能。它可以通過網絡分層學習的概率來表示世界，每個網絡層級與另外一個網絡層相連接，形成計算網絡。同時深度學習并非是一種單一的技術或理論，而是結合了神經網絡多項理論和成果的一套綜合性方法，簡單地說用一句話概括：深度學習是在多層的神經網絡中，從原始數據開始，通過機器自主進行學習并獲得解決問題的知識的方法。深度學習主要的特點是機器自主從原始數據開始逐步將低層次的特征提取、組合成高層次的特征，并在此基礎上訓練學習，獲得預測同類問題答案的能力。為了提高深層神經網絡的訓練效果，人們對神經元的連接方法以及激活函數等方面做出了調整。主要的目的是建立、模擬人腦分析學習的神經網絡，模仿人腦的機制來解釋數據，如文本、聲音、圖像。

2? 機器學習與深度學習的比較

深度學習是機器學習的一個分支，訓練學習方法分為監督學習和無監督學習。監督學習是指訓練模型在已知相關訓練數據和對應結果的情況對模型進行訓練獲得相應的參數。而無監督學習則是指只有相關訓練數據沒有對應的結果。監督學習需要在已知結果的情況才能具有良好的性能，通常情況下，獲得的數據是無法知道對應結果的因此無監督學習算法是最常用的學習算法。

3? 基于深度學習的推薦算法

推薦系統主要目的是通過分析用戶歷史行為數據、商品瀏覽數據等，依據相關的算法構造用戶畫像同時生成商品推薦列表。例電子商務平臺的商品推薦算法、音樂推薦算法、今日頭條的內容推薦算法等。國內外研究學都在推薦系統方面已經具有一定的研究成果，其中包括比較經典的基于用戶或物品相似度的計算，進行相關推薦的協同過濾算法;基于物品屬性或用戶的瀏覽行為進行的推薦算法;基于矩陣分解方法的推薦算法。因此推薦系統一般可以分為三大類別的方法：基于內容的推薦算法（Content-based Recommendations，CB），該類算法根據用戶的瀏覽歷史信息和商品屬性進行推薦。但是基于內容的推薦算法需要對物品進行分析建模，需要使用有意義的特征，內容結構需要有良好的結構性等要求。基于協同過濾的推薦算法（Collaborative Filtering Recommendations，CF），該類算法利用相同興趣和共同經驗的群體之間的共同愛好來推薦滿足用戶的需求信息。該類算法在處理數據稀疏性上效果不理想，對新的用戶不能提供及時的推薦數據。混合推薦算法，該類算法主要目的是處理單一算法自身存在的局陷性的問題，比如基于內容過濾的推薦算法需要對物品進行有意義的特征抽取分析，基于協同過濾的推薦算法依賴用戶-物品矩陣，會出現數據稀疏性和冷啟動的問題。而將神經網絡應用于推薦系統中是當前研究的熱點方向。

3.1 多層感知機的推薦算法

神經網絡是模擬人類大腦神經元而產生的，人工神經網絡通常由輸入層、隱藏層、輸出層構成。輸入層主要作用是接收外界信息并將信息傳給下一層。隱藏層又稱為計算節點主要作用是將輸入層傳過來的數據按照某種規則進行計算。輸出層主要作用是將處理后的數據輸出出來。可以看出數據的處理過程是通過一層層的向前進行，因此這類神經網絡稱為多層感知機（Multi-Layer Perception， MLP）[2]。在多層感知機神經網絡中需要用到一個非線性的激活函數，常用的激活函數由sigmoid函數，tanh函數，ReLU函數。在使用多層感知機進行商品推薦時，可以較好的獲取用戶和項目之間的非線性關系，從而形成基于用戶偏好和項目特性之間的雙向交互[3]。

3.2 自編碼推薦算法

自編碼（Autoencoder，AE）又稱為自編碼器[4]，是在深度神經網絡領域廣泛使用的一種常見基礎性結構。是一種無監督學習框架，通過最小化重構誤差，提取系統的重要特征，該編碼器由一個3層或大于3層的神經網絡組成，編碼器、隱含層和解碼器。基于自編碼器的推薦算法可以發現潛在用戶特征，在通過用戶評分矩陣做評分預測分析，通過逐層計算分析可以構建矩陣中的缺失的部，通過應用構建完成的數據進行商品推薦。

3.3 循環神經網絡推薦算法

循環神經網絡（Recurrent Neural Networks，RNN）[5-6]是深層的神經網絡模型，主要是對神經網絡增加了隱藏層的數目，即對相對應的神經元連接權、閾值等參數都會相應增加，因此可以擁有很強大的學習能力和泛化能力。同時可以很好的處理各種時序數據，通過隱藏層循環結構可以記錄時序數據的歷史信息。這是與普通神經網絡的主要區別，即當前時刻的輸出不僅與當前輸入有關，還依賴于上一時刻隱藏層的輸出。在基于循環神經網絡的推薦算法中，用戶的歷史交互記錄可以抽象為序列數據，利用循環神經網絡可以很好的挖掘出隨著時間的變化用戶的愛好、偏好變化趨勢。

循環神經網絡中的一個代表性的模型是LSTM，長短期記憶網絡。該網絡最大的優勢是能夠有效的處理帶有時間序列特性的數據，能夠較好的記憶長期或短期的數據特征，將記住的這些數據特征經過學習后來預測數據。

3.4 受限玻爾茲曼機推薦算法

受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）[7-8]本質上是一個編碼解碼器，受限玻爾茲曼機編碼過程是將原始輸入數據從可視化層映射到隱藏層從而得到原始輸入數據的隱因子向量表示。解碼過程正好相反利用得到的隱藏層向量重新映射回可視層，這樣可以得到新的可視化層數據。利用受限玻爾茲曼機的解碼過程可以將預測數據和原始數據進行比對，也可以得到已評分商品新的評分數據，也可以對未評分商品進行評分預測，這樣可以將未評分商品進行預測評分后形成推薦列表[9]。

4? 結論

在信息量快速增長的今天，推薦系統是幫助用戶快速獲得有用信息重要手段，得到了廣泛的研究和應用。利用深度學習技術，可以更好的將商品推薦給用戶，從而提升用戶體驗。深度學習技術可以自動進行學習復雜高維數據特征和具有較好的泛化能力，當前研究比較多的是卷積神經網絡和循環神經網絡在實驗階段能夠做到較好的推薦工作。

推薦系統是移動互聯網時代重要的研究領域，具有非常重要的實用意義。推薦系統在日常生活中不同的領域都有廣泛的應用，如社交平臺、電子商務平臺、音樂平臺、新聞門戶平臺、在線視頻點播平臺等。雖然現有的技術方法可以較好的應用到實際工作中，但隨著時間的推移商品和用戶之間的關聯和對應關系還需要進一步研究。

參考文獻：

[1]李光.基于循環神經網絡的推薦算法研究[D].哈爾濱工程大學，2017.

[2]高茂庭，徐彬源.基于循環神經網絡的推薦算法[J/OL].計算機工程：1-7[2019-07-14].

[3]馮斐.基于深度學習的推薦算法研究[D].蘭州大學，2017.

[4]黃立威，江碧濤，呂守業，劉艷博，李德毅.基于深度學習的推薦系統研究綜述[J].計算機學報，2018，41（07）：1619-1647.

[5]楊雷.基于機器學習的個性化推薦算法研究[D].哈爾濱工程大學，2017.

[6]陳彥韜.基于深度學習的協同過濾推薦算法的改進和優化[J].電子制作，2019（12）：40-42.

[7]馮楚瀅，司徒國強，倪瑋隆.協同深度學習推薦算法研究[J].計算機系統應用，2019，28（01）：169-175.

[8]王俊淑，張國明，胡斌.基于深度學習的推薦算法研究綜述[J].南京師范大學學報（工程技術版），2018，18（04）：33-43.

[9]劉姝岐.基于深度學習和時間上下文的推薦算法研究[D].吉林大學，2018.

[10]郭偉光.我國B2C電子商務個性化商品推薦服務實證研究[J].價值工程，2014，33（30）：25-27.