基于深度学习的个性化推荐模型应用
单荣杰、马文明、祁明明
（烟台大学，山东省烟台市，264005）
【关键词】随着信息技术的进步，推荐系统被广泛应用于购物以及新闻等网站门户中，通过分析用户的行为，得出用户兴趣偏向，进而对用户推荐相关信息，以吸引用户的注意。同时深度学习理论与技术的完善，更多复杂的模型被提出，在计算机视觉、语言理解等方面有着广泛的应用。将深度学习技术应用于推荐系统，能够更加充分的融合用户社会属性等方面信息，生成个性化的推荐，使得推荐质量得到较大提升。
【关键词】深度学习；推荐系统；个性化；用户属性
1、引言
互联网信息技术的高速发展，越来越多的移动终端设备能够便捷且高速的接入互联网，信息沟通日益频繁。在互联网世界中，各类购物网站带给了人们极大的生活便利，如淘宝、京东等。同时各类新闻网站也是人们获取信息的有效途径，互联中也存在大量的广告信息，为人们提供产品推荐。但无目标的广告推送不仅使广告转化率低，而且使得人们逐渐厌烦广告。互联网中有着大量的信息，信息繁杂，使用户难以在有限的时间内搜索到符合要求信息，搜索效率低下，不能满足用户的需求。
在数据信息日益增长，信息繁杂度越来越高，逐渐产生信息过载的背景下，推荐系统的出现成为了缓解这一问题的有效途径。购物网站可以根据用户的购买历史记录，分析购物者的购物倾向，将相似物品或者互补物品推荐给用户，极大的提高了购物网站的交易量。新闻热点类的网站，可以获得用户的浏览历史记录，分析用户的兴趣偏好，将新闻信息分组分类，推荐给用户，进而提高用户点击率。推荐系统能够根据用户的不同，生成不同的推荐内容，完成对每个用户个性化的页面生成，每个用户所浏览到的内容均不相同。个性化的推荐不仅能够满足用户的不同需求，而且能够挖掘用户的潜在需求。
随着深度学习理论与技术的发展，神经网络的非线性、梯度优化等特性得到了广泛关注。在神经网络中可以融入用户以及物品的各方面信息，选择合适的梯度优化算法，充分挖掘内在的特征与关系，提高了推荐的质量。
2、相关工作
许多研究学者针对推荐系统提出了不同推荐算法，关注用户的各个方面的属性信息，试图通过用户之间的相似性与差异性分析用户，得出用户兴趣爱好倾向，进而完成推荐。
2.1协同过滤方法
协同过滤推荐(CollaborativeFiltering,CF)算法是推荐系统中著名的算法，主要为两类，一类是基于物品的协同过滤推荐(ItembasedCF,ItemCF),一类是基于用户的协同过滤推荐(User-basedCF,UserCF)。基于物品的协同过滤推荐算法通过分析用户历史记录中的行为以此计算物品间的相似度，推荐相似高的物品。基于用户的协同过滤推荐算法被GroupLens用作新闻过滤，该算法分析用户的行为，计算用户间的相似度，找出与被推荐用户的相似度集合，将集合中用户的物品进行推荐。虽然协同过滤推荐算法易于理解且应用广泛，但是该算法对历史记录有较大的依赖，在数据稀疏性较高的情况下，推荐质量有很大的下降，因此许多的研究者融入其他的属性信息，提升推荐的质量，但是数据稀疏以及冷启动是制约推荐质量提升的主要因素。
2.2深度学习技术
深度学习技术在图像处理以及语音识别方面有着广泛的应用。凭借着非线性化的特征，深度学习模型算法取得了优异的准确率。相比较传统的算法，深度学习技术模型更完善，能够适应更加复杂的应用环境，处理噪声的能力更强。
如图1所示，深度神经网络模型一般由输入层、隐含层、输出层三个部分组成。对于输入层，作为深度神经网络模型的开始，数值及向量化是常见输入形式，训练数据要以一定的形式输入到神经网络中，不同的特征通常对应与不同的结果。输岀层通常是神经网络模型的最后一层，经过隐含层的处理，将产生的结果进行表达输出。隐含层是神经网络模型中最复杂的一层，其中可能包含多个神经网络层，每个神经网络层之间的连接也存在差异，被赋予了不同的权重以及偏差，而这些信息是神经网络模型从训练数据中学习到的参数，用来表达不同特征对输出的影响。
图1：神经网络
3、个性化推荐模型
3.1模型架构
完整的一次推荐以页面展示为开始，最终也以页面展示为结束，中间经过复杂的计算分析用户的兴趣偏好，将页面动态调整符合用户的需求，完成个性化的定制。当用户打开网页时，页面将显示主流热门的物品，用户在浏览过程中，会对一些比较感兴趣的物品进行点击操作，请求更为详细的物品描述，服务器会响应用户的请求，为其提供服务。同时服务器会将对应的物品信息写入浏览数据库，表示用户对此物品较为感兴趣。当用户最终对此物品购买时，其交易信息会写入交易数据库，完成对用户交易、浏览信息的记录，用于下一步的分析推荐。在交易数据库以及浏览数据库中存在着冗余信息，此时需要对数据库表进行数据清洗,一些多余的字段及非必要信息将会被过滤，留下仅供分析的信息。数据经过清洗后，其数据形式已经是格式化的信息，便于表示以及理解。
数据经过清洗，其中包含了用户的多属性信息，将不同的特征进行提取选择输入到神经网络模型中进行训练。同时用户的多属性信息也可用于数据挖掘算法，更全面的分析数据的潜在关联。系统流程图如图2所示。深度神经网络模型利用非线性的方式对数据进行学习，使用梯度下降的方式进行迭代优化。在分析处理时，将网络权重等参数信息进行保存，用于对模型的评价。通过持续的对模型评价，可以选择出最优的模型结构以及参数设置。
图2：系统流程图
页面的展示根据推荐列表的变化实时调整，高优先级的物品将先于低优先级物品进行展示，同时用户的实时点击信息也是评价考量的一部分，能够对推荐列表实时更新，将兴趣度低的物品过滤掉，针对不同的用户完成个性化的展示
3.2评价指标
评分预测的模型可以使用平均绝对误差以及均方根误差度量。指标的数值越小可以表明模型预测出的评分与用户实际打分的误差更小，更能够精确的预测用户对于一件物品或者电影的评分，进而将评分高的物品推荐给用户，满足用户的潜在需求。
平均绝对误差：
其中，|Te代表测试集记录的数量，片代表实际评分，叮代表对i项记录的预测评分。评分的高低反映用户的喜好，可以将评分高的物品形成推荐列表，优先推荐给用户。
TopN推荐是预测用户对推荐的物品是否产生了点击等关注的行为，而评分预测是推测用户会给该物品评价多少分。TopN推荐可以用准确率、召回率以及覆盖率等指标进行评价，其数值越高，反映推荐效果越好。
其中，R(u)表示推荐系统推荐给用户的推荐列表集合，T(u)表示用户感兴趣的物品在测试集上的集合。通过三个指标综合评价推荐系统的表现，选择更优的模型进行推荐。
4、结束语
基于深度学习的推荐系统可以将多类属性信息进行融合，并结合神经网络的优化技术，在充分学习训练集数据的同时，避免的过拟合现象的发生，提高模型的泛化能力。推荐系统以各种模型算法为基础，综合多方面用户、物品的属性信息，并结合用户的实时反馈，优化模型结构，分析挖掘用户潜在的兴趣偏好，将繁杂且大量的信息进行过滤，形成推荐列表进行推荐，极大的节约用户的时间，缓解了信息过载的问题，同时也提高了网站门户的效益和流量。
参考文献
［1］陈建廷，向阳，深度神经网络训练中梯度不稳定现象研究综述仃］.软件学报,2018.
［2］马丽.电子商务个性化推荐技术分析及比较［J］.计算机系统应用,2008.
［3］黄文荣，周长征.基于内容和协作的推荐系统的研究［J］.计算机时代,2009.
［4］黄立威，江碧涛，吕守业等.基于深度学习的推荐系统研究综述［J］.计算机学报,2018.
［5］郭岩，白硕.Web使用挖掘综述［J].计算机科学,2005.
［6］戴建国，赵庆展，郭理.持续集成在项目开发中的应用研究［J］.计算机工程与设计，2009.
［7］马宏伟，张光卫，李鹏.协同过滤推荐算法综述［J1.小型微型计算机系统.2009.
［8］王国霞，刘贺平.个性化推荐系统综述［J］.计算机工程与应用,2012.
［9］许海玲，吴潇，李晓东等.互联网推荐系统比较研究［J］.软件学报,2009.
作者简介：单荣杰（1994-),男，山东省潍坊市人。硕士学位，现为烟台大学计算机与控制工程学院研究生。主要研究方向为数据挖掘、推荐系统。
