基于深度学习算法的推荐系统

周宸  刘阳  吕琪

摘要随着人工智能技术的不断发展，深度学习正在迅速崛起.它可以把复杂的信息结构转换成更加简单易懂的模型，并且可以根据不同的模型结构，快速地提取出更多的信息，这使得它可以更好地帮助人类理解和预测未来的行业，比如图像处理、语音处理和自动驾驶。因此，将深度学习算法应用于推荐系统具有十分重要的意义。

关键词 深度学习 推荐系统

1 引言

随着时间的推移，各种电子信息技术的飞速发展，互联网上的数据库数据与日俱增，呈现出巨大的爆炸式增长。虽然这个数据库数据蕴含着巨大而无可比拟的市场价值，它将给智能生物的NET发展带来巨大的变化，但也带来了一个如何解决的非常严峻的问题——“信息过载”。用户行为分析作为解决这一问题的更有效、更具体的方法，已被全球学术界和化工行业广泛采取使用。我们会结合计算机视觉技术和用户行为分析，从大量数据中推导出计算机用户感兴趣的相关信息，并持续推荐给计算机用户。

2 项目的内容和拟解决的问题

2.1研究内容

深度学习算法在内容、社交网络、情景感知的推荐系统中的应用.利用用户的显式和隐式反馈数据来对用户进行推荐

2.2关键问题

1.冷启动问题

2.确定不同情境信息的作用

3.数据稀疏问题

4.各类算法的运用

3 项目算法的结构

我们的推荐系统主要分为三层：输出层、模型层、输入层。输入层的数据主要由：用户的Explicit或者Implicit反馈数据。在模型层,使用的学习模型比较广泛,包括RNN、DBN等.在输出层,通过利用深度学习算法学习到的数据,加上一系列的计算方法产生成对用户的推荐列表。

图1深度学习的推荐系统结构图

项目采用的模型

GBRBM模型包含n1个可见层节点(v1)，m1个隐含层节点(h1)，v1∈Rn1服从高斯分布，而h1∈{0,1}m服从二值分布。系统的能量可以被定义为：

式中参数a1i、b1i、W1ij为实数，且为GBRBM参数。

a1i为可见节点i的偏置；

b1i为隐含节点j的偏置；

W1ij为可见节点i和隐含节点j之间的连接矩阵；

σi为高斯型可见节点v1i的标准差.

系统的条件概率为：

BBRBM模型由m1个可见层节点（用v2表示）和m2个隐含层节点（用h2表示）组成的BBRBM模型，其中v2∈{0,1}n2，h2∈{0,1}n2为二值变量。因此，系统的能量可以定义为：

式中:a2i、b2i、W2ij均为BBRBM的参数，且均为实数；

a2i为可见节点i的偏置；

b2i为隐含节点j的偏置；

W1ij为可见节点i和隐含节点j之间的连接矩阵；

系统的条件概率为：

根据BBRBMm2个隐含层节点h2确定的BP模型n3个输出为：

式中:b3j（j=1，2，…，n3）为第j个输出神经元的阈值；

W3ij为h2j（i=1，2，…，m2）对dj的影响权重。

BP网络误差反向传播调整了权值,为了让学习速率足够大,在权值调整中加入动量项,不容易产生震荡。

式中：k=1,2,3；

η为学习速率；

β为调节因子

当输入误差小于0.01时，训练结束。

基于各种深度算法的推荐模式

基于CNN的推荐

CNN神经网络模型是一种用于处理二维显示图像数据库数据的结构的感知器。与传统的三层结构感知器相比,CNN在输入空间的平行运动有了更高的神经网络模型后,采用聚类的方法减少了三维图像中神经元的数量。否则,CNN的基本权重共享Lan连接结构可以减少3D图中相关参数的数量,减少Lan连接3D图的复杂度,并对3D图的神经网络模型进行改进。基于。

MLP的视频推荐

多层感知机(MLP)算法在视频推荐中被广泛使用。。该算法简明有效，优化目标函数，提高模型准确率，被运用于众多领域，特别是推荐系统中去。

视频推荐遭遇扩展性问题,数据嘈杂。为解决这些挑战，本研究采用深度神经网络模型，应用于视频推荐系统的候选集生成和排序两个关键过程，候选集生成的目标是从大量视频中选出数百个与用户相关的视频，该研究主要是利用用户在观看视频软件上的行为数据、用户特征和情境信息，来建立用户个性化的视频偏好模型。其核心方法是运用基于深度神经网络的分类算法进行推荐问题的转化，使用神经网络对候选视频进行打分，并根据分值排序，以寻找与用户特征向量距离最近的N个视频。

基于RNN的新闻推荐

循环神经网络(RNN)作为学习数据时序关系的工具,在推荐领域的地位举足轻重。为了准确捕获用户偏好的演化、短期特征等信息，RNN 不仅具备捕捉长期偏好演化表征的能力，还能有效地提取短期偏好表征。

首先,抓住文章的语义信息,利用去噪自编码器(DAE)将隐含的表示信息从新闻中提取出来。然后,利用RNN模型来实现,从用户历史行为列表中学习用户隐含的表示信息,从而了解用户的偏好。最后，在利用用户与新闻之间的联系时，采用新闻和用户隐含表示之间的点积进行推荐列表的生成。

系统架构

推荐系统包含用户信息采集、项目信息处理、数据处理、算法和展示五大模块。

用户采集模块

主要目的是获取用户基本信息和历史行为，为进一步分析他们的行为和兴趣提供数据支持。

处理项目信息模块

整合系统中的基本项目信息，如视频网站中的视频，包括名称、上映时间、主要类型、时长和热度等信息。

处理数据板块

主要对用户基本信息、历史行为以及项目信息进行处理，生成算法所需数据格式。

算法部分

为目标用户提供个性化的推荐,我们为满足推荐系统的需求,采用了多种推荐思路来实现混合推荐算法。

展示结果的模块

基于推荐算法的计算结果，系统能根据需求设计不同展示形式，向目标用户提供个性化推荐结果。

结论

网络中的资源非常庞大,用户在网络上搜寻相关物品是一件费时费力的事情。譬如用户想要在某视频网站上观看战争题材的视频，那么如果在用户有了该观看行为，推荐算法就会自动地为目标用户推荐战争题材的相关影视资料，为用户提供便利。推荐系统能够从海量资源中为用户找出自己感兴趣的项目,引导用户进行一系列行为,让用户的体验度得到提升。

推荐系统可以根据用户的兴趣爱好差异,个性化地推荐给目标用户。多数推荐系统主要采用混合推荐技术,为用户推荐推荐模块组合,提供个性化服务并对网站使用进行优化,以提高用户留存率。

推荐算法可以计算目标用户可能感兴趣的项目,基于用户的历史浏览行为和项目信息。通过展示相关相似的项目可以提高用户浏览该项目的可能，引导用户产生点击行为，从而提高网站的点击率。所以在推荐系统中应用深度学习是必然的趋势,也是必然的选择。

参考文献

[1]淦亚婷,安建业,徐雪.基于深度学习的短文本分类方法研究综述[J/OL].计算机工程与应用

[2]卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理,2016,31(01):1-17.DOI:10.16337/j.1004-9037.2016.01.001.

[3]黄立威,江碧涛,吕守业,刘艳博 & 李德毅.(2018).基于深度学习的推荐系统研究综述.计算机学报(07),1619-1647.

[4]张晓刚,杨鹏.基于深度学习的视频自动UCL标引[C].东南大学计算机科学与工程学院学术论坛.2019.

[5]邵曦，何蓉.基于卷积神经网络的音乐推荐系统及推荐方法.南京邮电大学.2019

[6]汪家伟,余晓."基于深度学习的文本分类研究综述."电子科技doi:10.16180/ j.cnki.issn1007-7820.2024.01.012

[7]李超，柴玉梅，南晓斐，等． 基于深度学习的问题分类方法研究［J］． 计算机科学，2016，43(12): 115 － 119

[8]任智慧，徐浩煜，封松林，等． 基于 LSTM 网络的序列标注中文分词法［J］． 计算机应用研究，2017，34(5): 1321 － 1324．

宿州学院资助2023年国家级学生创新创业训练计划项目，项目名称 ：基于深度学习算法的推荐系统