基于深度學習的推薦系統研究

韋智勇 周立廣

【摘 要】隨著全球信息技術的迅猛發展，信息數據呈現出爆發式增長的趨勢，如何從海量的數據中找出有價值的信息，是一個迫切需要解決的問題。推薦系統是解決這一問題的有效途徑，而如何把深度學習這項技術融入推薦系統，是目前的研究熱點。文章分析了傳統的推薦系統存在的問題，提出了相應的解決方法和對策，使系統模型與用戶的需求結合更加緊密，用戶的滿意度得到進一步提升，并對基于深度學習的推薦系統的未來發展趨勢進行了闡述。

【關鍵詞】推薦系統;深度學習;神經網絡;多源異構數據;上下文推薦

【中圖分類號】TP391.3 【文獻標識碼】A 【文章編號】1674-0688（2022）02-0034-03

隨著互聯網技術的高速發展，每天都有大量的信息數據展現在我們面前，想從這些海量的數據中提取自己需要的信息是非常困難的，而且耗費大量的時間和精力，因此開發一個能根據用戶需求自動推薦相關內容的系統，是目前人工智能技術研究的熱點。該系統能解決信息過載問題，并且可以在工作、生活、娛樂、網上購物、信息檢索等方面提供高效的服務。系統的推薦內容都是根據每個人的喜好和特點推薦的，不同的人有不同的推薦需求，而系統具有智能化特點。

近年來，深度學習技術在研究領域中逐步受到重視，例如在人臉識別、智能語音等都得到了廣泛應用。該項技術可以使許多智能設備可以自適應各種環境，成為人工智能技術的研究熱點;可以融入推薦系統中，把各種異構數據進行整合處理，這樣建立的需求模型更加貼近用戶的需求，使用戶的滿意度得以提升。因此，深度學習技術為推薦系統的發展提供新的研究思路[1]。

1 推薦系統概述

傳統的推薦系統就是把用戶的需求作為輸入，系統通過需要把搜索到的數據信息匯集后發給用戶的系統。隨著網絡技術的飛速發展，推薦系統已經在原有的基礎上進行了擴充式的發展，系統把用戶的興趣愛好融入其中，更具人性化和個性化，推薦內容涉及的范圍較廣，包括影視、廣告、購物和社交等，都在系統的服務范圍中。傳統的推薦系統按照推送方式分為協同過濾、內容信息和綜合性推薦系統。

1.1 基于協同過濾的推薦系統

基于協同過濾的推薦系統，該算法的指導思想主要根據用戶操作行為特征進行目標推測，把可能要搜索的相關內容羅列出來[2]。該算法主要包括兩種類型，即基于用戶和基于物品。在具體的實踐中，基于物品的推薦比基于用戶的推薦算法較為切合實際。該系統的算法的優點是在技術實現上較為簡單，系統的精準性高，缺點是數據量缺乏，實時性差，同時隨著運算的復雜度加大，系統效率低，推薦內容欠缺。

1.2 基于內容的推薦系統

基于內容的推薦系統，該系統的算法主要是根據用戶相關物品的特征進行數據提取，通過用戶的操作行為，把用戶的喜好與物品進行關聯，在這個基礎上進行內容推薦，類似的物品也能推薦。該系統的算法的優點是系統運行效率高，缺點是特征提取過于單一，并且推薦內容缺乏新鮮感。此外，系統推薦的內容仍然需要之前的歷史操作痕跡確認，如果是新用戶則有時無法推薦。

1.3 綜合性（混合）推薦系統

上述兩種推薦系統都可以根據用戶的特性進行推薦，但每個系統都存在一定的局限性，綜合性推薦系統把單一化的推薦系統的優點集合，對原有的系統進行改進，該系統的算法主要是把各自的算法進行整合后產生新的推薦算法[3]。對于混合算法的策略，目前大約有7種，相應的設計思路分為整體式算法、并行式算法和流水式算法3種。

2 基于深度學習技術的網絡模型

該技術解決了傳統機械式的方法構造數據特征、運算能力差等問題，使系統具有智能化，深度學習技術能對數據進一步挖掘和分析，找出數據潛在的規律和特性。基于深度學習技術的網絡模型主要包括深度神經網絡模型、卷積神經網絡模型和循環神經網絡模型3種。

2.1 深度神經網絡模型

深度神經網絡模型是許多算法模型的基礎，該算法可以通過分層進行特征學習，可對無法線性分離的數據信息進行歸類。該模型主要通過反向傳播算法進行訓練，調整神經網絡中的權值和閾值達到數據歸類的精準率。

2.2 卷積神經網絡模型

卷積神經網絡模型屬于一種前饋的網絡模型，包含兩個核心操作，即卷積和池化，其功能是把用戶和項目進行潛在特征的提取操作。系統除采用局部感知的提取策略外，還可用權值共享的策略進行特征提取。這些策略的優點是減少網絡模型的參數和降低模型的復雜度，防止過度擬合問題的產生。

2.3 循環神經網絡模型

循環神經網絡模型是在建模的過程中融入時序，把時間順序與數據序列對應起來的網絡模型。該模型的神經元節點含有元素的操作信息，這些節點通過隱藏單位的方式進行深度學習，顯示出當前網絡的狀態信息。該網絡模型解決了其他模型無法根據序列建立模型的問題，但該模型也存在梯度消失的問題。隨著后續其他模型相繼問世，例如長短時記憶網絡模型、門限循環單元模型等，解決了梯度消失的問題。

3 基于深度學習的推薦系統概述

目前，深度學習技術在推薦系統中具有超強的生命力和廣闊的發展空間。不少專業人士通過該技術模型解決了傳統推薦系統的遺留問題，使整個系統的活力得以提升。目前，推薦系統一般主要包括4個層次，即用戶層、算法層、推薦層和結果。推薦系統的主要技術架構如圖1所示。

3.1 基于內容的深度學習推薦系統

推薦系統可以通過深度學習技術學習數據的特征和規律，解決了人工構造特征的不足之處。所以，深度學習技術在該系統的作用主要是用于特征表示的提取，同時用于解決冷啟動和信息缺少等問題。CDL方法是一種深度學習方法，該方法主要通過用戶喜愛圖片的對比進行推薦，利用兩個CNN把圖像分為正負兩類，即喜歡和不喜歡，分別計算用戶特征的差距，采用交叉熵損失數模型進行訓練，這樣系統可以區分類似的圖片，相比手工模型更具優勢。除了CDL模型，還有DeePCoNN模型，該模型與之前模型不同的是，通過兩個耦合的CNN對物品評論和用戶特征進行深度學習，如果由于喊聲原因導致干擾過大，則用模擬的方式生成用戶提示[4]。經過長時間的測試，在信息缺乏時，用戶評論中的有兩個因子對推薦性能具有關鍵性作用，即語義因子和情感因子，該模型解決了冷啟動和信息缺少的問題。

3.2 基于上下文的深度學習推薦系統

對于可以描述所有事物實體的數據信息，這種信息稱為上下文信息。用戶和應用程序之間的交互通過一種接口完成，該接口稱之為實體，實體一般包括用戶、地點和應用對象3種。基于上下文的深度學習推薦系統主要根據用戶的描述信息（即上下文）進行推薦，利用環境場景的上下文特征進行推薦是目前該技術研究的主流方向。

基于上下文的深度學習推薦系統通過捕獲圖像的時間、位置、視覺和用戶上下文表示后，通過交叉熵損失函數將多標簽問題轉換為單標簽問題，該系統與舊版本的標簽推薦系統不同之處主要是根據時間、位置、視覺和用戶上下文關系，結合標簽特征進行標簽推薦處理。實踐結果顯示，用戶用何種方法標記圖像的關鍵因素是上下文信息，通過上下文內容的整合后，可以使標簽預測效果得到進一步改善。基于上下文的另一個應用是在基于會話的推薦系統中，用戶互動信息具有連續性特點，因此時間上下文因素對推薦系統是非常關鍵的。系統主要根據用戶的興趣愛好的動態性進行抓取，并且結合時序變化的數據預操作，兼顧了用戶興趣愛好的長期性和短期性。隨著系統的不斷改進，在后期的系統版本中，有一個PL-RNN模型，該模型不以用戶的興趣愛好為主，而是以用戶對物品的關注權重和操作時序相結合后，得出用戶的用意與上下文之間的關聯。該模型既解決項目的獨立操作問題，又解決多項目協同操作的影響問題。

在多層次上下文的系統應用方面，系統主要通過穿戴設備對人眼進行狀態預測，可檢測出人體的疲勞程度數據，以此作為上下文內容對用戶的興趣愛好進行評價和分析，使推薦準確率得以提升。此外，HCA-GRU模型在原有的基礎上進行了改進，該模型是在長期和短期的興趣愛好方面融入注意力機制，能更真實地體現用戶的興趣愛好。

3.3 基于深度學習的推薦系統的優勢分析

基于深度學習的推薦系統具有明顯的優勢，主要表現在以下幾個方面。

（1）數據特征學習。深層次的神經網絡模型能夠建立各種數據信息的特征表示，減少了手工操作，并且可以整合大量的數據信息（包括各種類型結構的數據），這樣可以有效解決信息缺乏和冷啟動的問題。

（2）非線性數據轉換。深度學習系統可以通過非線性函數對數據進行建模，數據中包括線性和非線性數據，這樣系統可以處理一些復雜程度較高的交互模型。

（3）新型建模方式。基于深度學習的推薦系統的建模方式是序列建模，該建模方式可以根據時間的變化和用戶的操作特征進行數據分析，這樣對長期或短期建模的用戶都是非常重要的。基于深度學習的推薦系統提高了工作效率。

4 基于深度學習的推薦系統的技術發展探討

根據近幾年的調查研究發現，基于深度學習的推薦系統逐步受到學術界的高度重視，成為熱點研究的課題，但就目前而言，深度學習的推薦系統的研究依然在初期階段，遇到的問題和挑戰仍然較多，將來會逐步解決這些問題。

4.1 深度算法將融入新技術

舊版本的推薦系統在算法上無法深度進行特征學習算法，但它具有結構簡單和解釋性強的優點，把新的深度學習算法融入其中，可以取長補短，達到理想的效果。當前，新的推薦系統已問世，例如基于神經網絡的協同過濾算法模型、稀疏數據預測算法模型和xDeepFM深度算法模型，這些算法模型解決了之前僅能單一模式交互的缺陷，同時解決了信息缺乏和冷啟動方面的問題，所以該研究方向仍是學術界的研究熱點[5]。

4.2 多重任務推薦算法優化和改進

目前，推薦系統一般都要同時處理多項目標任務，因此可通過任務設置中表達的方式找到處理多個目標任務的途徑，主要根據任務之間的關聯因素處理多重任務。例如對抗序列的分解法和多任務學習框架法都有共同的特點，就是把多任務學習和深度學習有機融合，提供各方面的渠道信息，解決了信息缺乏的問題，通過輔助任務從另外一個方向反映推薦內容，使整個系統的解釋性得以提高，可實現系統的跨區域性。

4.3 推薦系統可解釋性的功能擴展

“黑盒性”是制約推薦系統解釋性的關鍵因素，為了解決這一問題，引入一個注意力機制的概念。所謂注意力機制，就是推薦算法模型在運算時，把用戶的操作行為與推薦結果的影響效果聯系起來，觀察它們的對應關系。注意力機制可以提升用戶興趣愛好長期的可持續性和短期的過渡性，并且可以根據當前狀況提取最高價值的特征和最優的推薦結果。

4.4 新場景和新領域的推廣及創新

隨著互聯網技術的不斷發展和成熟，推薦系統不斷融入工作、學習、生活、娛樂、商業、服務業等。目前，推薦系統仍在其他新的領域不斷擴展。深度學習技術在數據表征方面，可以在原有推薦系統的基礎上，將數據融入模型構建當中，這樣不僅解決了舊推薦系統遺留下來的問題，而且對新場景的應用和創新增添了新的活力[6]。隨著問題的深入研究，未來新的推薦場景還可根據各種環境的需要動態地轉化，對深度學習技術不斷進行更新和完善。

5 結語

基于深度學習的推薦系統具有高效、優越的特點，提高了用戶的滿意度。深度學習技術的發展將為推薦系統領域帶來新的機遇，也產生新的挑戰。本研究對傳統的推薦系統進行了概述，在原有的基礎上引入深度學習技術的概念，對幾個典型的深度學習系統進行了分析，對深度學習推薦系統的技術發展進行了技術探討，這為后續的研究提供了參考文獻。今后的研究重點是將在原有系統的基礎上，融入人工智能和大數據技術，系統將自動感應當前的情境，自動識別用戶的長期和短期興趣愛好，不斷提高系統的推薦效率，豐富推薦內容，提升用戶的滿意度。

參 考 文 獻

[1]黃立威，江碧濤，呂守業，等.基于深度學習的推薦系統研究綜述[J].計算機學報，2018，41（7）：1619-1647.

[2]劉青文.基于協同過濾的推薦算法研究[D].合肥：中國科學技術大學，2019.

[3]楊文龍.基于動態集成方法的混合推薦系統研究[D].濟南：山東大學，2018.

[4]龍虎，李娜.基于深度學習的個性化學習資源推薦系統研究[J].電腦編程技巧與維護，2020，35（2）：128-130.

[5]蔣偉.推薦系統若干關鍵技術研究[D].成都：電子科技大學，2018.

[6]孫志遠，魯成祥，史忠植，等.深度學習研究與進展[J].計算機科學，2019，43（2）：1-8.