基于Tensorflow的電影推薦系統

摘 要：隨著大數據、區塊鏈、人工智能等信息新技術的出現和應用，我們已經進入到數據大爆炸時代，海量數據在為用戶帶來豐富選擇的同時也對用戶快速檢索到需求的信息，企業準確把握用戶的需求提出挑戰。個性化推薦系統是基于海量企業運營數據，通過挖掘產品數據和用戶數據隱藏的信息，實現的針對不同用戶的“千人千面”的個性化推薦服務，有助于企業精準把握用戶需求，創造價值增益。

關鍵詞：大數據;個性化推薦;機器學習

DOI：10.12249/j.issn.1005-4669.2020.25.320

1 引言

在近年來，隨著電子商務的興起，推薦系統得到了更為廣泛的應用，同時也為推薦系統的研究注入了新的活力，例如Amazon、eBay、淘寶網等都采用了智能推薦系統來為用戶提供個性化的推薦服務。高質量的推薦能夠增加用戶對網站的信任度，使用戶產生依賴心理，提高用戶對網站和企業的忠誠度。除了在電子商務領域的應用之外，隨著個性化的信息服務逐漸成為應用技術的熱點，推薦系統在新聞、電影、書籍、微博等的個性化推薦中也取得了不同程度的成功。

目前，隨著人們在推薦算法領域的不斷研究，提出了許多準確度高、可解釋性強的推薦算法，本片論文將基于內容的推薦和協同過濾推薦算法進行組合，提出一種聯合推薦算法并進行實驗。

2 推薦系統模型

推薦系統是商家和企業為了創造商業增益，增加用戶黏度，通過對用戶歷史行為數據和用戶信息數據進行分析，發掘用戶興趣點，向用戶準確推送感興趣的商品而應用的一套數據處理和分析系統。整個系統應當包括輸入，推薦引擎和輸出三個部分，如下圖1所示。

其中，輸入包括用戶靜態信息如姓名、性別、年齡等以及用戶動態信息包括消費記錄、興趣傾向、反饋信息等。推薦引擎是整個推薦系統所采用的推薦算法，包括基于內容的推薦、基于用戶的推薦、協同推薦等。輸出是推薦系統根據推薦引擎對輸入數據的處理，產生的待推薦產品列表，并將這些產品進行排序，推送給用戶。

2 實驗介紹

1）數據集。本實驗所采用的數據集是https：//grouplens.org/datasets/movielens網站下載的ml-latest-small數據集。整個數據集統計了最近一段時間用戶對不同電影的評分情況，整個數據集包括611名用戶和9742部電影，數據基于現實統計，真實可信。

2）聯合推薦算法原理。對于基于內容的推薦算法而言[1]，需要根據每部電影的內容以及用戶已經評過分的電影來推斷每個用戶對每部電影的喜好程度，從而預測每個用戶對沒看過的電影的評分。因此，要實現基于內容的推薦系統，除了電影評分矩陣外還需要引入一個電影內容矩陣X作為算法輸入，X矩陣的橫向代表每部電影，縱向代表電影的特征維度。算法的目標是要根據用戶-電影評分表和電影內容矩陣X推導出用戶興趣矩陣θ，然后將用戶興趣矩陣θ與電影內容矩陣X相乘，得到用戶對電影的預測評分矩陣并進行排序推薦。整個算法的代價公式為：

對于協同過濾推薦算法而言[3]，則是需要根據用戶對每種電影類型的喜好程度以及用戶已經評過分的電影來推斷每部電影的內容，從而預測每個用戶對沒看過電影的評分。因此，要實現協同過濾推薦系統，處理電影評分表外還需要引入一個用戶興趣矩陣θ作為輸入，θ矩陣橫向代表每個用戶，縱向代表電影特征。算法的目標是要根據用戶-電影評分表和用戶興趣矩陣θ推導出電影內容矩陣X，然后將用戶矩陣θ與電影內容矩陣X相乘，得到用戶對電影的預測評分矩陣并進行排序推薦，整個算法的代價公式為：

根據基于內容的推薦算法和協同推薦算法原理，我們考慮將兩種算法結合實現聯合推薦。對于聯合推薦算法不需要額外引入輸入信息[2]，只需要根據已有的用戶-電影評分表，通過初始化電影特征矩陣X和用戶興趣矩陣θ構建訓練模型，并通過模型訓練保證訓練后的X矩陣和θ矩陣符合實際預測，將二者相乘獲得預測評分矩陣并進行排序推薦。整個算法的代價公式為：

在產生電影內容矩陣X以及用戶喜好矩陣θ的過程中，除了依據梯度下降原理調整矩陣X和矩陣θ的值使聯合推薦代價公式J（X，θ）收斂之外，考慮采用最小化二乘法的思想，初始固定X值優化θ參數，然后固定θ值優化X參數，逐步迭代直至代價函數J（X，θ）收斂。

3）實驗結果。實驗通過Tensorflow對電影內容矩陣X和用戶興趣矩陣θ進行初始化使之符合正態分布，并對實驗模型進行了2000次訓練，通過統計預測評分矩陣predicts與實際評分矩陣rating各項的誤差和作為模型誤差，并根據預測得分predicts矩陣實現針對不同用戶的評分最高的20部電影的推薦。實驗結果如下圖2所示：

4 結語

個性化推薦系統針對目前電子商務以及新聞傳媒等行業面臨的商業困境，可以從海量用戶數據和產品數據中準確篩選用戶需求和用戶消費趨向，有助于企業和網站準確把握用戶興趣點，實現服務升級和產品優化，同時對于用戶也減少了檢索代價，提高了服務滿意度。本篇論文通過聯合推薦算法減少了額外的算法輸入和算法代價，提高了算法運行效率，實現了精準的針對不同用戶的電影推薦。

參考文獻

[1]曹毅，賀衛紅.基于內容過濾的電子商務推薦系統研究[J].計算機技術與發展，2009，019（006）：182-185.

[2]李忠俊，周啟海，帥青紅.一種基于內容和協同過濾同構化整合的推薦系統模型[J].計算機科學，2009，36（012）：142-145.

[3]石麗麗.個性化推薦中協同過濾算法研究[D].河南大學，2012.

作者簡介

王杰（1996-），男，漢族，山西運城人，學生，工學碩士，華北電力大學控制與計算機工程學院計算機科學與技術專業，研究方向：機器學習。