4。4 评测方法 12

4。5 实验设置及基准 13

4。6 定性及定量比较 14

结  论 18

致  谢 19

参 考 文 献 20

1。 引言

1。1 背景介绍

个性化推荐是电商网站根据已有的商品信息和用户偏好信息向用户提供其可能感兴趣的商品，辅助用户进行商品的选择并且完成购买过程。随着电子商务规模的不断扩大，商品个数和种类快速增长，网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得自己真正需要的部分，对信息的使用效率反而降低了，这就是所谓的信息过载问题。为了解决信息过载的问题，人们通常使用搜索引擎来迅速获取有效信息。当用户十分明确自己的需求时，可以运用搜索引擎高效的获得自己所需求的信息。这种方式相当于是用户主动将信息拉向自己。但是很多时候用户并不能明确表示出自身需求，这时候个性化推荐系统应运而生，用户所需求的信息是推荐系统主动推送到用户的。论文网

个性化推荐系统通常建立在大量可用数据的基础上，例如商品的分类信息，商品的评论信息，以用户-商品对呈现的购买信息，用户的注册档案信息以及用户的操作记录信息等。早期的推荐系统通常是根据商品交易信息筛选出热门商品，并将其推送至所有用户。这种方法易于实现且有一定的效果，但是对于用户来说，这种方法并不能提供多少有用信息且个性化程度太低。随后出现的推荐系统则是根据商品的标签信息和用户档案中的偏好信息，推荐其喜好分类下的商品。这种方法仅利用了商品的内容信息，同样面对个性化程度低的问题，即使没有这个推荐，用户还是有很大可能自己去查看该分类下的商品。大量的实践证明，通过挖掘用户或者商品之间隐含的关系，可以做出更好的个性化推荐。这种方法称为协同过滤(Collaborative filtering, CF)方法，而目前最流行的推荐系统大多采用的是基于协同过滤的混合多模型。

由于用户在使用在线服务的时候需要做出大量的选择，推荐系统变得越来越重要[1]。作为用户，使用推荐系统令我们能更加有效的利用信息。而且许多公司已经广泛的使用推荐系统，从而针对不同的用户推荐不同的它们的产品或服务。现有的推荐系统模型可以大致分为3类[2]：基于内容的模型，基于协同过滤的方法，和混合模型。基于内容的模型[3]利用用户的档案或者产品的描述信息来进行推荐。协同过滤方法[4,5]是利用用户以往的活动记录或者偏好，例如用户对物品的评分，来进行推荐，而不考虑产品内容等信息。混合模型[6,7,8]则是采用将前两种模型的恰当结合的方法，力求达到最优的推荐效果。

出于对隐私的保护，搜集用户的档案相对于搜集用户的活动记录更为困难。尽管如此，基于协同过滤的方法也有自身的局限。当用户对物品的评分数据趋向稀疏的时候，协同过滤方法的推荐准确度会大幅降低。这同时也意味着，协同过滤方法不能应用于新出现的尚没有用户评分的物品的推荐。所以，协同过滤方法必须利用辅助信息才能对评分数据稀疏的物品进行推荐。

在混合模型中，根据两种信息(用户评分信息和辅助信息)之间是否存在互相影响，我们可以将其分为两种子类型：松耦合和紧耦合方法。松耦合方法[9]倾向于对辅助信息进行一次性处理，然后将其提供的特征应用到协同过滤模型中。由于信息流是单向的，从而使评分信息不能对辅助信息的提取过程给出反馈。这种方法的推荐效果的提升，常常取决于人工和冗长的特征信息提取过程。与此相反，紧耦合[10]中的两种信息可以相互影响。一方面，评分信息可以作为输入，参与特征信息提取的过程，辅助修正提取特征的误差。另一方面，由于模型同时也将特征信息作为推荐依据，特征提取效果的提升可以提高协同过滤模型预测的效果。在这中双向的信息作用下，紧耦合模型可以自动的从辅助信息中提取特征和平衡两种信息的权重。这也是紧耦合模型常常优于松耦合模型的原因[11]。文献综述 CTR基于协同深度学习的推荐系统设计(2):http://www.youerw.com/jisuanji/lunwen_83566.html