基于深度学习的商品推荐系统的研究与实现

发布时间：2020-11-01 16:22

　　 随着移动互联网的快速发展,网络购物成为了人们日常的购物方式。在现今消费升级的市场环境下,如何满足用户对商品个性化的要求以及增强用户购物体验,是各大电子商务平台关注的重要问题。通过对用户历史购物记录进行数据分析,电子商务平台可以清楚地了解用户对商品的个性化偏好以及周期性购物规律,并进一步提高平台的交易总额。因此本文以商品个性化推荐和商品重购推荐为主要的研究内容,具体使用了深度学习来构建相应的推荐模型。论文主要完成了以下3方面的工作:(1)为解决信息过载问题,传统电子商务平台需要对用户兴趣进行建模,进行商品个性化推荐。对于商品个性化推荐,本文基于Transformer模型和MLP模型提出了 TransRec模型。TransRec模型是首个采用编解码器结构进行商品个性化推荐的模型,在编码端通过位置编码和自注意力实现了用户潜在兴趣的挖掘和用户兴趣迁移的建模;在解码端通过注意力实现了对用户兴趣多样性的建模。TransRec模型在Books数据集和Electronics数据集上的AUC指标分别达到了 0.812和0.756;实验结果表明TransRec的模型效果明显高于现有的其他模型。(2)为提高用户的购物效率,新零售平台需要对用户周期性购买行为进行建模,进行商品重购推荐。对于商品重购推荐,本文提出了基于长短时记忆网络的商品重购推荐模型,实现了用户历史购物记录中时序信息的自动挖掘;并提出了适用于商品重购推荐问题的加权平均序列损失函数。本文进一步将长短时记忆网络与时序卷积网络相结合提出了时序卷积循环网络(TCRNN);TCRNN模型在长短时记忆网络的基础上具备了快速检索全局历史信息的能力,并能够多视角地建模用户周期性购买行为。TCRNN在Instacart数据集上的AUC指标达到了 0.781;实验结果表明TCRNN的模型效果明显高于现有的其他模型。(3)基于Flask框架构建了具体的商品推荐系统,该商品推荐系统能够同时为用户提供商品个性化推荐和商品重购推荐。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.3;TP181
【部分图文】：

的维度很大时，ｑｕｅｒｙ和ｋｅｙ点乘的结果通常会很大，其会对应到ｓｏｆｔｍａｘ函??数低梯度的区域，导致模型无法得到有效的训练。??如图２－２所示，Ｔｒａｎｓｆｏｒｍｅｒ模型在编解码器中并不只采用单一的点乘注意??力。实验表明在机器翻译时，Ｔｒａｎｓｆｏｒｍｅｒ可以从并行跑多个点乘注意力中获得较??高的收益，Ｔｒａｎｓｆｏｒｍｅｒ将其称为多头注意力。多头注意力首先将Ｑ矩阵、Ｋ矩??阵与Ｖ矩阵进行多次线性映射；然后分别将每次映射后得到三个矩阵进行点乘??注意力操作；最后将多次点乘注意力的结果进行拼接后再进行线性映射，最终得??到多头注意力的输出，如公式２－２、２－３所示。??１０??

ｔ?ｔ??Ｑ?Ｋ?Ｖ??图２－１点乘注意力示意图??点乘注意力之所以在ｑｕｅｒｙ和ｋｅｙ点乘之后进行放缩，是因为当ｑｕｅｒｙ和ｋｅｙ??的维度很大时，ｑｕｅｒｙ和ｋｅｙ点乘的结果通常会很大，其会对应到ｓｏｆｔｍａｘ函??数低梯度的区域，导致模型无法得到有效的训练。??如图２－２所示，Ｔｒａｎｓｆｏｒｍｅｒ模型在编解码器中并不只采用单一的点乘注意??力。实验表明在机器翻译时，Ｔｒａｎｓｆｏｒｍｅｒ可以从并行跑多个点乘注意力中获得较??高的收益，Ｔｒａｎｓｆｏｒｍｅｒ将其称为多头注意力。多头注意力首先将Ｑ矩阵、Ｋ矩??阵与Ｖ矩阵进行多次线性映射；然后分别将每次映射后得到三个矩阵进行点乘??注意力操作；最后将多次点乘注意力的结果进行拼接后再进行线性映射，最终得??到多头注意力的输出

?问题。??如图２－５所示，ＬＳＴＭ模型主要以内存块（Ｍｅｍｏｒｙ?Ｂｌｏｃｋ）结构为基础构建；??每个内存块包含一个细胞状态（Ｍｅｍｏｒｙ?Ｃｅｌｌ）和三个控制门。细胞状态起着对??全局信息进行存储的功能，它记忆了过去时间步长的历史信息和当前时间步长的??输入信息。三个控制门分别为输入控制门（Ｉｎｐｕｔ?Ｇａｔｅ?）、遗忘控制门（Ｆｏｒｇｅｔ?Ｇａｔｅ）??与输出控制门（Ｏｕｔｐｕｔ?Ｇａｔｅ）。控制门起到了对相应编码信息进行选择的功能，??它们采用ｓｉｇｍｏｉｄ函数作为控制门的激活函数，因此激活后的取值范围是［０，１］。??控制门是通过将激活函数作用到相关的信息值上，实现信息选择的：当激活值为??１时，表示放行全部的信息；而当激活值为０时，表示阻塞全部的信息。??＼ｆ?／?，??Ｖ＿＾Ｏｕｔｐｕｔ?Ｇａｔｅ?ａ??＼?？??＼?“??Ｖ??＇＾＾＾＾Ｆｏｒｇｅｔ?Ｇａｔｅ??Ｉ??＼?ｙ??ｙ?Ｉｎｐｕｔ?Ｇａｔｅ??Ｉ?ｒ？）??Ｂｌｏｃｋ??Ｉ?／＼＼￣￣??图２－５?ＬＳＴＭ内部结构示意图??公式２－１１、公式２－１２、公式２－１３分别是ＬＳＴＭ模型中输入门、输出门与遗??忘门的计算方式。而公式２－１４是根据当前时间步长的输入产生当前网络节点信??息。公式２－１５是通过输入门来选择当前网络节点的信息，并通过遗忘门来过滤??细胞状态中历史过去信息
【相似文献】

相关期刊论文 前10条

1 仲兆满;管燕;胡云;李存华;;基于背景和内容的微博用户兴趣挖掘[J];软件学报;2017年02期

2 苏惠明;;一种基于用户兴趣的个性化建模方法[J];内燃机与配件;2017年04期

3 王占;林岩;;基于信任与用户兴趣变化的协同过滤方法研究[J];情报学报;2017年02期

4 邓娟;;用户兴趣变化下的协同过滤最优推荐仿真[J];计算机仿真;2016年08期

5 徐则阳;刘博;;百度贴吧用户兴趣分类[J];福建电脑;2014年11期

6 石伟杰;徐雅斌;;微博用户兴趣发现研究[J];现代图书情报技术;2015年01期

7 杨绚然;;《解忧杂货店》走进现实[J];时代报告;2016年12期

8 孙雨生;刘伟;仇蓉蓉;黄传慧;;国内用户兴趣建模研究进展[J];情报杂志;2013年05期

9 杨杰;陈恩红;;面向个性化服务的用户兴趣偏移检测及处理方法[J];电子技术;2009年11期

10 陈圣兵;李龙澍;纪霞;;多层次用户兴趣模式的动态捕捉[J];计算机工程与应用;2009年36期

相关博士学位论文 前10条

1 徐扬;基于用户兴趣挖掘的个性化推荐方法研究[D];山东大学;2018年

2 李铁;面向大规模电商评论的情感分析与兴趣挖掘研究[D];电子科技大学;2018年

3 郭岩;网络日志中用户兴趣的挖掘及利用[D];中国科学院研究生院（计算技术研究所）;2004年

4 吴丽辉;个性化的Web信息采集技术研究[D];中国科学院研究生院（计算技术研究所）;2005年

5 马力;基于聚类分析的网络用户兴趣挖掘方法研究[D];西安电子科技大学;2012年

6 刘淇;基于用户兴趣建模的推荐方法及应用研究[D];中国科学技术大学;2013年

7 梁政;面向在线社交网络舆情的信息传播分析关键技术研究[D];国防科学技术大学;2014年

8 张召;在线论坛用户兴趣图谱发现与个性化信息推荐[D];华东师范大学;2012年

9 陈浩;Web搜索的用户兴趣与智能优化研究[D];中南大学;2012年

10 李洋;社会媒体信息推荐关键技术研究[D];哈尔滨工业大学;2017年

相关硕士学位论文 前10条

1 陈鹏达;基于深度学习的商品推荐系统的研究与实现[D];北京邮电大学;2019年

2 刘奇;基于信息扩展和信任感知的微博推荐方法[D];河北大学;2019年

3 张雄涛;融合用户兴趣和混合估计的微博检索模型研究[D];河北大学;2019年

4 徐佳艺;基于用户兴趣主题模型的交友推荐系统的设计与实现[D];浙江工业大学;2019年

5 窦冲;基于用户兴趣和信任关系的机会网络路由算法研究[D];陕西师范大学;2018年

6 李梦雪;基于交互的移动用户兴趣发现系统的设计与实现[D];北京交通大学;2018年

7 朱凯歌;面向个性化服务的用户兴趣挖掘方法研究与实现[D];北京交通大学;2018年

8 张灵菡;基于社会化标注的用户兴趣挖掘及其个性化推荐研究[D];杭州电子科技大学;2018年

9 李颖;基于微博用户兴趣的个性化广告推荐系统的设计与实现[D];南京理工大学;2018年

10 胡建洪;基于上下文感知的移动新闻推荐研究与实现[D];南京理工大学;2018年

本文编号：2865789