毕业设计-基于深度学习的推荐系统实战（附源码+可远程安装部署）

推荐系统介绍

什么是推荐系统？

一句话概括，推荐给你感兴趣的视频，商品等，让你入迷。

推荐系统的应用

个性化推荐，优化用户体验，海量数据中快速定位，精准营销。抖音，京东，小红书等这些例子大多数人都耳闻能详。举几个例子

• 抖音：推荐给你喜欢的视频，你就会挪不开眼睛，一看半天就下去了，这样抖音就赚到了流量，在当前这个社会，流量就是钱。
• 京东：当你买了一个键盘后，肯定需要鼠标，鼠标垫啥的，推荐给你，你买的概率会很大，京东也就多挣一份钱呗。

为什么需要深度学习

• 宏观：传统人工特征工程难度较大，深度学习可以把特征做的更好
• 本质：end2end的架构让模型训练起来更容易，项目做起来更简单！
• 深度学习更适合NLP与图像数据，符合当下用户行为数据
• 但凡看到深度学习，第一感觉应该是这件事做起来没那么麻烦了

协同过滤与矩阵分解

矩阵分解中的显式与隐式特征

显式特征：可以直观看到的数据
隐式特征：通过某些操作行为产生的数据

用户行为	类型	特征	作用
评分	显式	整数量化的偏好，可能的取值是 [0,n];一般取值为 5 或者是 10	通过用户对物品的评分，可以精确的得到用户的偏好
投票	显式	布尔量化的偏好，取值是 0 或 1	通过用户对物品的投票，可以较精确的得到用户的偏好
转发	显式	布尔量化的偏好，取值是 0 或 1	而过用户对物品的投票，可以精确的得到用户的偏好
保存书签	显示	布尔量化的偏好，取值是 0 或 1	通过用户对物品的投票，可以精确的得到用户的偏好
标记标签	显示	一些单词，需要对单词进行分析，得到偏好	通过分析用户的标签，可以得到用户对项目的理解，同时可以分析出用户的情感: 喜欢还是讨厌
评论	显示	一段文字，需要进行文本分析，得到偏好	通过分析用户的评论，可以得到用户的情感:喜欢还是讨厌
点击流	隐式	一组用户的点击，用户对物品感兴趣，需要进行组分析，得到偏好	用户的点击一定程度上反映了用户的注意力，所以它也可以从一定程度上反映用户的喜好.
页面停留时间	隐式	一组时间信息，噪音大，需要进行去噪分析，得到偏好	用户的页面停留时间一定程度上反映了用户的注意力和喜好，但噪音偏大，不好利用。
购买	隐式	布尔量化的偏好，取值是 0 或 1	用户的购买是很明确的说明这个项目它感兴趣。

基于用户的协同过滤

• 首先找到相似用户（相似度计算）
• 属性特征，行为特征等都可以当做计算输入
• User1喜欢1,2,3,4；User3当前喜欢2,3
• 如果这俩用户计算后相似度较高，就可以把1,4推给User3
  存在的问题：数据稀疏，计算复杂度，人是善变的，冷启动问题，稀疏（通常商品非常多，用户购买的只是其中极小一部分），计算（计算相似度矩阵是个大活，用户和商品都比较多的时候就难了），冷启动（新用户来了怎么办？）

基于物品的协同过滤

• 还是要先得到用户与商品的交互数据
• 此时发现商品1和3经常在一起出现
• 那这俩商品之间肯定有鬼。。。（相关度）
• User3目前只买了商品2和3，此时可以推给他商品1

## 矩阵分解

• user-item矩阵分解
• 得到user,item两个矩阵
• 原矩阵：m*n(用户，音乐)
• user(mk),item(kn)

目标函数

• 跟回归方程很像：$\underset{X,Y}{\min }\sum _{r_{ui}\ne 0}(r_{ui}-x_u^T{y}_i{)}^2+\lambda (\sum _u)||x_u|{|}_2^2+\sum _i||y_i|{|}_2^2)$
• 用户矩阵$X=[x_1,x_2,\dots \dots ,x_N]$： 商品矩阵：$Y=[y_1,y_2,\dots \dots ，y_M]$
• N为用户个数，M为商品个数，还需注意隐向量维度
• 其中还额外引入了正则化惩罚项

后续的改进

• 如果用户就特别刁钻，评分都会很低；如果商品本身就很好，评分都较高
• 这里还需要注意的就是用户与商品的本身属性信息，之前公式中木有涉及
• 在原公式中 $\underset{X,Y}{\min }\sum _{r_{ui}\ne 0}(r_{ui}-x_u^T{y}_i{)}^2+\lambda (\sum _u)||x_u|{|}_2^2+\sum _i||y_i|{|}_2^2)$分别加入用户与商品偏置项
• 例如bu表示用户偏置，bi表示商品偏置

隐式情况分析

• 用户-商品的评分矩阵做起来非常直接，但是哪有那么正好的事啊
• 通常收集的数据都是用户的行为：观看时间，点击次数等指标
• 这种数据该怎么求解呢？首先定义置信度：$c_{ui}=1+\alpha r_{ui}$
• 置信度默认为1，表示用户没有产生行为的商品；行为越多，置信度越大
• 重新定义评分： p u i = { 0 r u i = 0 1 r u i > 0 p_{ui}= \lbrace_{0\quad r_{ui}=0}^{1\quad r_{ui}>0} pui​={0rui​=01rui​>0​ （有行为的则评分为1）
• 新的优化目标：$G(x_{\ast },y_{\ast })=(\sum _{u,i}{c}_{ui}(p_{ui}-x_u^T{y}_i{)}^2+\lambda (\sum _u||x_u|{|}^2+\sum _i||y_i|{|}^2)$
• 总结起来就是置信度越大的你得预测的越准，要不损失就大了
• 求解过程依旧交替使用最小二乘法，固定Y优化X，再固定X优化Y

Embedding的作用

无处不在的Embedding，Ai的核心其实就是让计算机能更懂我！
NLP,CV领域做得太多啦，推荐中也不例外，Embedding做好啦一切都解决了！

音乐推荐系统实战

Code：链接: https://pan.baidu.com/s/1iq5FLpPIxsRrTEec2TV_Ug 提取码: 2xk5
–来自百度网盘超级会员v3的分享

更多代码 加微信 AI_xiaoao
回复题目【基于XXXX的XXXX系统设计】免费获取源代码
所有代码均可远程部署安装+代码调试讲解