基于深度学习的推荐系统研究
来源:用户上传
作者:韦智勇 周立广
【摘 要】随着全球信息技术的迅猛发展，信息数据呈现出爆发式增长的趋势，如何从海量的数据中找出有价值的信息，是一个迫切需要解决的问题。推荐系统是解决这一问题的有效途径，而如何把深度学习这项技术融入推荐系统，是目前的研究热点。文章分析了传统的推荐系统存在的问题，提出了相应的解决方法和对策，使系统模型与用户的需求结合更加紧密，用户的满意度得到进一步提升，并对基于深度学习的推荐系统的未来发展趋势进行了阐述。
【关键词】推荐系统;深度学习;神经网络;多源异构数据;上下文推荐
【中图分类号】TP391.3 【文献标识码】A 【文章编号】1674-0688（2022）02-0034-03
随着互联网技术的高速发展，每天都有大量的信息数据展现在我们面前，想从这些海量的数据中提取自己需要的信息是非常困难的，而且耗费大量的时间和精力，因此开发一个能根据用户需求自动推荐相关内容的系统，是目前人工智能技术研究的热点。该系统能解决信息过载问题，并且可以在工作、生活、娱乐、网上购物、信息检索等方面提供高效的服务。系统的推荐内容都是根据每个人的喜好和特点推荐的，不同的人有不同的推荐需求，而系统具有智能化特点。
近年来，深度学习技术在研究领域中逐步受到重视，例如在人脸识别、智能语音等都得到了广泛应用。该项技术可以使许多智能设备可以自适应各种环境，成为人工智能技术的研究热点;可以融入推荐系统中，把各种异构数据进行整合处理，这样建立的需求模型更加贴近用户的需求，使用户的满意度得以提升。因此，深度学习技术为推荐系统的发展提供新的研究思路[1]。
1 推荐系统概述
传统的推荐系统就是把用户的需求作为输入，系统通过需要把搜索到的数据信息汇集后发给用户的系统。随着网络技术的飞速发展，推荐系统已经在原有的基础上进行了扩充式的发展，系统把用户的兴趣爱好融入其中，更具人性化和个性化，推荐内容涉及的范围较广，包括影视、广告、购物和社交等，都在系统的服务范围中。传统的推荐系统按照推送方式分为协同过滤、内容信息和综合性推荐系统。
1.1 基于协同过滤的推荐系统
基于协同过滤的推荐系统，该算法的指导思想主要根据用户操作行为特征进行目标推测，把可能要搜索的相关内容罗列出来[2]。该算法主要包括两种类型，即基于用户和基于物品。在具体的实践中，基于物品的推荐比基于用户的推荐算法较为切合实际。该系统的算法的优点是在技术实现上较为简单，系统的精准性高，缺点是数据量缺乏，实时性差，同时随着运算的复杂度加大，系统效率低，推荐内容欠缺。
1.2 基于内容的推荐系统
基于内容的推荐系统，该系统的算法主要是根据用户相关物品的特征进行数据提取，通过用户的操作行为，把用户的喜好与物品进行关联，在这个基础上进行内容推荐，类似的物品也能推荐。该系统的算法的优点是系统运行效率高，缺点是特征提取过于单一，并且推荐内容缺乏新鲜感。此外，系统推荐的内容仍然需要之前的历史操作痕迹确认，如果是新用户则有时无法推荐。
1.3 综合性（混合）推荐系统
上述两种推荐系统都可以根据用户的特性进行推荐，但每个系统都存在一定的局限性，综合性推荐系统把单一化的推荐系统的优点集合，对原有的系统进行改进，该系统的算法主要是把各自的算法M行整合后产生新的推荐算法[3]。对于混合算法的策略，目前大约有7种，相应的设计思路分为整体式算法、并行式算法和流水式算法3种。
2 基于深度学习技术的网络模型
该技术解决了传统机械式的方法构造数据特征、运算能力差等问题，使系统具有智能化，深度学习技术能对数据进一步挖掘和分析，找出数据潜在的规律和特性。基于深度学习技术的网络模型主要包括深度神经网络模型、卷积神经网络模型和循环神经网络模型3种。
2.1 深度神经网络模型
深度神经网络模型是许多算法模型的基础，该算法可以通过分层进行特征学习，可对无法线性分离的数据信息进行归类。该模型主要通过反向传播算法进行训练，调整神经网络中的权值和阈值达到数据归类的精准率。
2.2 卷积神经网络模型
卷积神经网络模型属于一种前馈的网络模型，包含两个核心操作，即卷积和池化，其功能是把用户和项目进行潜在特征的提取操作。系统除采用局部感知的提取策略外，还可用权值共享的策略进行特征提取。这些策略的优点是减少网络模型的参数和降低模型的复杂度，防止过度拟合问题的产生。
2.3 循环神经网络模型
循环神经网络模型是在建模的过程中融入时序，把时间顺序与数据序列对应起来的网络模型。该模型的神经元节点含有元素的操作信息，这些节点通过隐藏单位的方式进行深度学习，显示出当前网络的状态信息。该网络模型解决了其他模型无法根据序列建立模型的问题，但该模型也存在梯度消失的问题。随着后续其他模型相继问世，例如长短时记忆网络模型、门限循环单元模型等，解决了梯度消失的问题。
3 基于深度学习的推荐系统概述
目前，深度学习技术在推荐系统中具有超强的生命力和广阔的发展空间。不少专业人士通过该技术模型解决了传统推荐系统的遗留问题，使整个系统的活力得以提升。目前，推荐系统一般主要包括4个层次，即用户层、算法层、推荐层和结果。推荐系统的主要技术架构如图1所示。
3.1 基于内容的深度学习推荐系统
推荐系统可以通过深度学习技术学习数据的特征和规律，解决了人工构造特征的不足之处。所以，深度学习技术在该系统的作用主要是用于特征表示的提取，同时用于解决冷启动和信息缺少等问题。CDL方法是一种深度学习方法，该方法主要通过用户喜爱图片的对比进行推荐，利用两个CNN把图像分为正负两类，即喜欢和不喜欢，分别计算用户特征的差距，采用交叉熵损失数模型进行训练，这样系统可以区分类似的图片，相比手工模型更具优势。除了CDL模型，还有DeePCoNN模型，该模型与之前模型不同的是，通过两个耦合的CNN对物品评论和用户特征进行深度学习，如果由于喊声原因导致干扰过大，则用模拟的方式生成用户提示[4]。经过长时间的测试，在信息缺乏时，用户评论中的有两个因子对推荐性能具有关键性作用，即语义因子和情感因子，该模型解决了冷启动和信息缺少的问题。
nlc202205131410
转载注明来源:https://www.xzbu.com/1/view-15431254.htm
