基于深度学习的商品推荐系统研究.docx

?

?

基于深度学习的商品推荐系统研究

?

?

杜少波

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：WiththerapiddevelopmentofmobileInternetande-commerce，onlineshoppinghasbecomeapartofpeopleslife.Therecommendationsystemcanimprovetheuserexperienceandincreasethesalesofgoods.Deeplearningtechnologyismoreaccurateinanalyzingandcalculatingtheproductsthatusershavebrowsedorpurchased.Therefore，theproductrecommendationsystembasedondeeplearningtechnologycanprovidemoreaccurateservicesforusers.

关键词：深度学习;推荐;神经网络

Keywords：deeplearning;recommendation;neuralnetwork

：TP391.3???????????????????：A?????????????????：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獨立学科进行研究。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