本文是一篇计算机论文，本论文研究的是隐式反馈推荐，未对显式反馈评分在推荐系统的推荐效果进行比较，并且为用户推荐商品要对用户的短期兴趣作为主要推荐。所以还需要将其他好的深度推荐模型进行学习。
第 1 章 绪论
1.1 选题背景与意义
2020 年 4 月 28 日，第 45 次《中国互联网络发展状况统计报告》[1]中提到我国网民人数为 9.04 亿，占中国人口的 64.5%。城市人群中互联网普及率更高，在中国消费市场中庞大的网民群体成为消费主力军，也为数字经济快速发展创造了条件。随着智能手机的普及，同年 3 月我国电商平台注册用户人数高达 7.10 亿，交易金额同比增长 16.5%，达到了 10.63 万亿元。网络购物成为人们首选购物方式，电商购物系统提高用户购物体验和增加商品销量。
随着计算机技术和电商平台快速发展，商品数量也呈现爆炸式增长。电商平台每天不断添加新商品，为用户提供更多的个性化商品选择的同时，也为用户增加了在海量商品中寻找喜欢商品的时间成本。例如拼多多、亚马逊和京东等电商平台中商品是亿万级，但每个用户需要购买的商品却很少很少，所以用户需要花大量的时间去寻找自己真正需要购买或感兴趣的商品。导致商品信息爆炸、泛滥现象的出现，系统主要解决方法有搜索引擎[2]和推荐算法[3]。
搜索引擎是通过用户对相关信息进行主动获取，用户在系统搜索栏输入商品的关键字。比如鞋的款式、衣服的品牌等，系统根据关键字在数据库中进行商品检索，检索到与关键字相关的商品推荐给用户选择[4]。使用这种方法的用户一般清楚自己需要商品的类型、款式等，尽量缩小购买商品的范围。但大多数用户往往都没有明确的购买目标，更多的用户通过浏览商品过程中寻找自己可能感兴趣的商品。个性化推荐算法[5]为用户推荐感兴趣的商品，即推荐算法利用用户的偏好特征[6]、项目特征、用户和项目之间的交互信息进行处理，推荐感兴趣的项目[7]。在淘宝、京东、拼多多和亚马逊等电商系统中推荐算法的体现是用户浏览商品的同时，商品下面会有相似的商品推荐表，比如买了又买、看了又看的商品，推荐用户感兴趣的商品来解决信息过载问题。
1.2 国内外研究现状
1990 年初，国内外很多研究团队对推荐系统进行研究。美国明尼苏达大学GroupLens 研究团队在 1994 年推出了世界上第一个推荐系统 GroupLens[20]，第一个提出协同过滤算法并应用在系统中。1997 年，AT&T 实验室提出 PHOAKS 和ReferralWeb 系统，PHOAKS 的工作原理是从 Usenet 新闻消息中挖掘 Web 资源的建议进行自动识别、统计和重新分配，是识别和重用推荐的协作过滤系统[21]。Referral Web 通过对 Web 上的公共文档进行数据挖掘，建立了用户社交网络模型。参考 Web 使用一个通用的完整 Web 索引引擎，将个人与主题区域匹配[22]。20 世纪初， Choi 等人提出通过两阶段聚类算法改进[23]来改善协同过滤推荐技术的数据稀疏性和可扩展的局限性问题，使其在客户偏好信息不足或数据量较大的情况下也能更准确、快速地进行推荐。在这个过程中，个人隐私数据却处于极其危险的境地，后来基于隐私保护的个性化推荐技术的提出，对推荐系统中用户相关的隐私数据进行保护。Tang[24]提出了一种基于差分隐私保护和时间因子的高效隐私保护协同过滤算法。该方法能有效地保护用户私有数据，但推荐精度略低于传统的协同过滤算法。
随着深度学习技术的成熟和在推荐系统领域的广泛应用，深度学习推荐算法主要解决传统推荐系统中存在的数据稀疏性、冷启动和用户兴趣难挖掘等问题。Alabdulrahman[25]等人介绍了流行的用户个性化预测（PUPP-DA）框架，框架采用软聚类和主动学习的方法来解决冷启动问题。准确地向新用户推荐，使用深度学习演算法来提高整体的预测准确率。为了实现系统个性化推荐，推荐系统将用户和物品分别表达用户偏好向量和物品特征向量。Feng[26]等人提出一种结合注意力机制的深度模型，模型可以根据不同的用户—物品对相应地学习到一个注意力权重向量，最终达到动态调整用户偏好向量的目的。Guo 等人提出了一种新的神经网络结构 DeepFM 模型，结合了推荐能力的因子分解机和特征学习能力的深度学习，模型可以学习用户行为背后复杂的特征交互[27]。Yu 等人应用 DeepFM 模型来实现社交广告的个性化推荐[28]。Wang 采用 FM 与深度分解机"DeepFM"模型对 GTD 分类是否需深度建模进行研究[29]。
第 2 章 相关技术研究
2.1 推荐系统的简介
随着计算机技术和电商平台快速发展，网购成为人们购物的重要方式，而网购的主要问题是商品太多，用户需要花大量的时间对商品进行选择和对比。在实际生活中，我们在超市里购买商品时，可以通过商场导购员的引导快速找到需要购买商品区域，然后进行同类商品的挑选和对比。商场购物不存在商品的稀疏性和冷启动等问题，比如我们想买一件 T 恤，我们可以去附近卖衣服的商场进行挑选，此时用户的购买需求是明确的。但在实际生活中，人们在空闲的时间喜欢在电商平台上浏览商品，在浏览过程中发现自己喜欢商品的时候，购买欲望突然很强烈并购买了商品。推荐系统可以根据用户的基本信息、购物和浏览历史记录为用户推荐，挖掘用户潜在的购买兴趣，同时为用户节约时间提高用户购物体验。这就是推荐系统最基本的功能，在电子商务领域如图 2.1，推荐系统的应用体现在天猫上看了又看推荐商品，拼多多推荐相似商品的实际应用。
2.2 推荐算法
推荐系统中常用算法[8-11]如图 2.3 所示。其中基于协同过滤算法(CF) 具有预测推荐的精确性，成为实用受欢迎的一类推荐算法。研究者根据不同的推荐系统功能进行改进协同过滤算法，算法思想是收集用户对商品的一系列历史交互行为数据（比如购买记录、浏览记录和购物车商品），然后用协同过滤算法来挖掘用户可能感兴趣的商品。这是因为商品和用户之间存在各种各样的高度关联性，形成各种各样的推荐方法，下面将对一些常用的推荐算法进行简要的介绍。
基于人口统计学算法[6]思想是根据人口统计学数据 (一般包括人的年龄、性别、身高、体重、职业等) 对每个用户建立一个用户剖面 (User Profile) 进行聚类, 系统通过常用的 k 均值和均值漂移聚类方法计算用户间相似得到当前用户最近用户邻集，并以这些用户作为协同过滤的计算用户集，然后将这些用户可能感兴趣的商品推荐给目标用户，推荐商品中不包括用户已买商品。
对用户的数据获取方法有显式获取和隐式获取，其中显式获取可以通过用户的注册信息和完善资料填写的表单。隐式获取主要是基于用户行为数据分析其潜在的兴趣或关注点，这种方式应注意用户兴趣是否随时间的推移而改变。商品在电商平台输入常用的几种数据主要包括物品属性、描述信息、时间维度、面向用户群体和用户评价（用户评分、用户标记的标签）。
第 3 章 基于深度学习的推荐模型.....................................19
3.1 DeepFM 算法模块.........................................19
3.1.1 Embedding 嵌入层...............................................20
3.1.2 FM 组成部分...................................... 21
第 4 章 推荐系统需求分析与设计...................................33
4.1 系统需求分析....................................33
4.1.1 设计目标..........................................34
4.1.2 系统功能需求分析...............................34
第 5 章 商品个性化推荐系统实现..................................47
5.1 商品个性化推荐系统实现..............................................47
5.1.1 登陆注册界面.................................................47
5.1.2 主页推荐展示界面.............................................47
第 5 章 商品个性化推荐系统实现
5.1 商品个性化推荐系统实现
本文推荐系统以深度学习模型作为商品推荐模块，模型训练的数据是天猫电商数据集，基于上文对推荐系统的设计构建了一个商品个性化推荐系统，系统使用神经协同过滤算法、深度学习模型来实现商品推荐功能。从环境搭建开始，实现了一个多功能深度学习模型的商品个性化推荐系统。
系统开发集成环境 Pycharm，开发语言 Python 调用库 Conda，数据库 MySQL数据库管理 Navicat。
5.1.1 登陆注册界面
新用户进入系统之前都会进行用户账户注册，填写个人基本信息。注册时用户名被占用就会提醒重新输入，然后用户进行系统登录。注册和登录界面如图5.1 所示。
第 6 章 总结与展望
6.1 工作总结论
文主要对深度学习技术和推荐系统进行研究，把深度学习技术应用到推荐系统当中，解决推荐系统中存在数据的稀疏性，用户的兴趣难被挖掘。本文的研究集中于以下几个方面：
1）对深度学习和推荐系统相关理论进行了研究，主要是对推荐系统传统算法、深度学习开发框架、Django 开发框架的介绍。
2）为了解决推荐系统存在数据的稀疏性和商品信息过载问题，本文对DeepFM（DNN、FM）和 NeuMF(MLP、GMF)模型的的特点进行研究。两个模型都是对隐式反馈信息推荐，用 one-hot 编码方式和 Embedding 层编码数据进行嵌入模型，对模型进行训练和结果进行对比。模型中的 DeepFM 训练结果损失函数值最低和 AUC 最高；NeuMF 推荐模型得到的损失函数都比两个单独模型低和HR@20 最高。
3）对系统进行需求分析，用 Django 框架开发商品个性化推荐系统，系统的推荐方法是用训练好的推荐模型 DeepFM 和 NeuMF，商品个性化推荐系系统实现了热门商品推荐，和选择不同的推荐模型进行商品推荐。管理系统对系统后台进行管理。跟其他推荐结果比较，再次验证 DeepFM 和 NeuMF 模型比其他模型好，系统推荐的商品更接近用户的兴趣。
参考文献（略）