Research on Commodity Recommendation System Based on Deep Learning
杜少波 DU Shao-bo
（贵州商学院计算机与信息工程学院，贵阳 550014）
（School of Computer & Information Engineering，Guizhou University of Commerce，Guiyan 550014，China）
摘要：随着移动互联网和电子商务的快速发展，网上购物已经成为人们生活的一部分。商品推荐系统可以提升用户体验，同时增加商品销售量。深度学习技术更加精准的分析、计算用户曾经浏览或购买的商品，因此基于深度学习技术的商品推荐系统可以更加精准的为用户提供服务。
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.
关键词：深度学习；推荐；神经网络
Key words: deep learning；recommendation；neural network
中图分类号：TP391.3 文献标识码：A 文章编号：1006-4311（2019）26-0237-02
0 引言
推荐系统的发展起源于上世纪90年代协同过滤算法的提出，随后推荐系统逐渐成为一门独立学科进行研究。随着移动互联网、电子商务的快速发展，人们身边信息呈现爆炸式增长，新的网络购物平台层出不穷，因此购物平台上的商品也是数不胜数，用户无法及时快速的从平台上快速有效的获取需要的信息，怎样才能让用户快速、准确的找到想要购买的商品，已经成为购物平台是否能够成功的关键因素，推荐系统成为解决该问题的主流方法，这就使得推荐系统成为当前研究的热点。推荐系统利用用户浏览的历史信息、购买记录、用户喜好等相关信息，构建用户喜好模型矩阵，从而生成用户推荐列表。商品推荐算法主要分为：基于流行度的算法、基于内容的算法、基于内容的算法、基于模型的算法和混合算法。这些算法模型可以很好的进行商品推荐，但是在处理数据稀疏性和冷启动问题有各自的局限性。基于深度学习的商品推荐算法可以较好的克服以上推荐算法的问题，同时可以将更加复杂的抽象编码作为更高层的数据表示。
1 深度学习
2006年，辛顿等人提出了深度学习的概念[1]。按照深度学习的概率可以理解为：深度学习是一种特殊的机器学习，它具有高的灵活性和性能。它可以通过网络分层学习的概率来表示世界，每个网络层级与另外一个网络层相连接，形成计算网络。同时深度学习并非是一种单一的技术或理论，而是结合了神经网络多项理论和成果的一套综合性方法，简单地说用一句话概括：深度学习是在多层的神经网络中，从原始数据开始，通过机器自主进行学习并获得解决问题的知识的方法。深度学习主要的特点是机器自主从原始数据开始逐步将低层次的特征提取、组合成高层次的特征，并在此基础上训练学习，获得预测同类问题答案的能力。为了提高深层神经网络的训练效果，人们对神经元的连接方法以及激活函数等方面做出了调整。主要的目的是建立、模拟人脑分析学习的神经网络，模仿人脑的机制来解释数据，如文本、声音、图像。
■
2 机器学习与深度学习的比较
深度学习是机器学习的一个分支，训练学习方法分为监督学习和无监督学习。监督学习是指训练模型在已知相关训练数据和对应结果的情况对模型进行训练获得相应的参数。而无监督学习则是指只有相关训练数据没有对应的结果。监督学习需要在已知结果的情况才能具有良好的性能，通常情况下，获得的数据是无法知道对应结果的因此无监督学习算法是最常用的学习算法。
■
3 基于深度学习的推荐算法
推荐系统主要目的是通过分析用户历史行为数据、商品浏览数据等，依据相关的算法构造用户画像同时生成商品推荐列表。例电子商务平台的商品推荐算法、音乐推荐算法、今日头条的内容推荐算法等。国内外研究学都在推荐系统方面已经具有一定的研究成果，其中包括比较经典的基于用户或物品相似度的计算，进行相关推荐的协同过滤算法；基于物品属性或用户的浏览行为进行的推荐算法；基于矩阵分解方法的推荐算法。因此推荐系统一般可以分为三大类别的方法：基于内容的推荐算法（Content-based Recommendations，CB），该类算法根据用户的浏览历史信息和商品属性进行推荐。但是基于内容的推荐算法需要对物品进行分析建模，需要使用有意义的特征，内容结构需要有良好的结构性等要求。基于协同过滤的推荐算法（Collaborative Filtering Recommendations，CF），该类算法利用相同兴趣和共同经验的群体之间的共同爱好来推荐满足用户的需求信息。该类算法在处理数据稀疏性上效果不理想，对新的用户不能提供及时的推荐数据。混合推荐算法，该类算法主要目的是处理单一算法自身存在的局陷性的问题，比如基于内容过滤的推荐算法需要对物品进行有意义的特征抽取分析，基于协同过滤的推荐算法依赖用户-物品矩阵，会出现数据稀疏性和冷启动的问题。而将神经网络应用于推荐系统中是当前研究的热点方向。
3.1 多层感知机的推荐算法
神经网络是模拟人类大脑神经元而产生的，人工神经网络通常由输入层、隐藏层、输出层构成。输入层主要作用是接收外界信息并将信息传给下一层。隐藏层又称为计算节点主要作用是将输入层传过来的数据按照某种规则进行计算。输出层主要作用是将处理后的数据输出出来。可以看出数据的处理过程是通过一层层的向前进行，因此这类神经网络称为多层感知机（Multi-Layer Perception， MLP）[2]。在多层感知机神经网络中需要用到一个非线性的激活函数，常用的激活函数由sigmoid函数，tanh函数，ReLU函数。在使用多层感知机进行商品推荐时，可以较好的获取用户和项目之间的非线性关系，从而形成基于用户偏好和项目特性之间的双向交互[3]。
3.2 自编码推荐算法
自编码（Autoencoder，AE）又称为自编码器[4]，是在深度神经网络领域广泛使用的一种常见基础性结构。是一种无监督学习框架，通过最小化重构误差，提取系统的重要特征，该编码器由一个3层或大于3层的神经网络组成，编码器、隐含层和解码器。基于自编码器的推荐算法可以发现潜在用户特征，在通过用户评分矩阵做评分预测分析，通过逐层计算分析可以构建矩阵中的缺失的部，通过应用构建完成的数据进行商品推荐。
3.3 循环神经网络推荐算法
循环神经网络（Recurrent Neural Networks，RNN）[5-6]是深层的神经网络模型，主要是对神经网络增加了隐藏层的数目，即对相对应的神经元连接权、阈值等参数都会相应增加，因此可以拥有很强大的学习能力和泛化能力。同时可以很好的处理各种时序数据，通过隐藏层循环结构可以记录时序数据的历史信息。这是与普通神经网络的主要区别，即当前时刻的输出不仅与当前输入有关，还依赖于上一时刻隐藏层的输出。在基于循环神经网络的推荐算法中，用户的历史交互记录可以抽象为序列数据，利用循环神经网络可以很好的挖掘出随着时间的变化用户的爱好、偏好变化趋势。
循环神经网络中的一个代表性的模型是LSTM，长短期记忆网络。该网络最大的优势是能够有效的处理带有时间序列特性的数据，能够较好的记忆长期或短期的数据特征，将记住的这些数据特征经过学习后来预测数据。
3.4 受限玻尔兹曼机推荐算法
受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）[7-8]本质上是一个编码解码器，受限玻尔兹曼机编码过程是将原始输入数据从可视化层映射到隐藏层从而得到原始输入数据的隐因子向量表示。解码过程正好相反利用得到的隐藏层向量重新映射回可视层，这样可以得到新的可视化层数据。利用受限玻尔兹曼机的解码过程可以将预测数据和原始数据进行比对，也可以得到已评分商品新的评分数据，也可以对未评分商品进行评分预测，这样可以将未评分商品进行预测评分后形成推荐列表[9]。
4 结论
在信息量快速增长的今天，推荐系统是帮助用户快速获得有用信息重要手段，得到了广泛的研究和应用。利用深度学习技术，可以更好的将商品推荐给用户，从而提升用户体验。深度学习技术可以自动进行学习复杂高维数据特征和具有较好的泛化能力，当前研究比较多的是卷积神经网络和循环神经网络在实验阶段能够做到较好的推荐工作。
推荐系统是移动互联网时代重要的研究领域，具有非常重要的实用意义。推荐系统在日常生活中不同的领域都有广泛的应用，如社交平台、电子商务平台、音乐平台、新闻门户平台、在线视频点播平台等。虽然现有的技术方法可以较好的应用到实际工作中，但随着时间的推移商品和用户之间的关联和对应关系还需要进一步研究。
参考文献：
[1]李光.基于循环神经网络的推荐算法研究[D].哈尔滨工程大学，2017.
[2]高茂庭，徐彬源.基于循环神经网络的推荐算法[J/OL].计算机工程：1-7[2019-07-14].
[3]冯斐.基于深度学习的推荐算法研究[D].兰州大学，2017.
[4]黄立威，江碧涛，吕守业，刘艳博，李德毅.基于深度学习的推荐系统研究综述[J].计算机学报，2018，41（07）：1619-1647.
[5]杨雷.基于机器学习的个性化推荐算法研究[D].哈尔滨工程大学，2017.
[6]陈彦韬.基于深度学习的协同过滤推荐算法的改进和优化[J].电子制作，2019（12）：40-42.
[7]冯楚滢，司徒国强，倪玮隆.协同深度学习推荐算法研究[J].计算机系统应用，2019，28（01）：169-175.
[8]王俊淑，张国明，胡斌.基于深度学习的推荐算法研究综述[J].南京师范大学学报（工程技术版），2018，18（04）：33-43.
[9]刘姝岐.基于深度学习和时间上下文的推荐算法研究[D].吉林大学，2018.
[10]郭伟光.我国B2C电子商务个性化商品推荐服务实证研究[J].价值工程，2014，33（30）：25-27. |
