摘 要

随着社会的发展，人们普遍喜欢在网上购物。但物品种类数也每日剧增，如何将用户当前最需要的商品准确的推荐给他们，从而增强的用户体验，这就成为了各电商平台所要思考研究的问题。

本文提出了一种基DeepFM模型的商品推荐算法，把用户的个人用户画像，以及商品画像和上下文进行类似于Word2Vec词向量的嵌入式编码，将高维稀疏特征向量转换为低维稠密特征向量，并作为DeepFM模型的输入，从而根据模型结果为用户推荐相应的商品。DeepFM其实本身就是由FM模型和DNN网络并行组成的一个推荐模型，它是对Wideamp;Deep模型的改进，其主要特点有不需要人工进行特征工程，而且能同时考虑到特征的二阶特征组合和高阶特征组合，更好的挖掘用户的兴趣。

该论文主要完成的工作有：1.利用pytorch框架进行DeepFM模型的搭建和训练。2.研究模型超参数对结果的影响。3. 利用Flask轻量级Web应用框架和MySql数据库搭建了一个商品推荐系统Web应用。

关键词：DeepFM；嵌入式编码；FM;个性化推荐

ABSTRACT

With the development of society, people generally like to shop online. However, the number of items is also increasing day by day. How to accurately recommend the most needed products to users, so as to enhance the user experience, has become a problem to be considered and studied by various e-commerce platforms.

Model of this paper proposes a basic DeepFM recommendation algorithm, the users personal portraits, portraits and commodity and context are similar to the word Word2Vec vector embedded coding, the high-dimensional sparse vector feature vector into low-dimensional dense, and as the DeepFM model input, and recommend corresponding products for users according to the results of the model. In fact, DeepFM itself is a recommendation model composed of FM model and DNN network in parallel. It is an improvement on Wideamp;Deep model. Its main features do not require manual feature engineering, and it can consider the second-order feature combination and higher-order feature combination at the same time, so as to better mine users' interest.

The main tasks of this paper are as follows: 1. Build and train the DeepFM model with pytorch framework. 2. Study the influence of model overparameters on the results. 3. A Web application of commodity recommendation system was established by using Flask lightweight Web application framework and MySql database.

Key Words: DeepFM; Embedded coding; FM; Personalized recommendation

目录

第一章 绪论 1

1.1选题背景及意义 1

1.2国内外研究现状 2

1.3课题工作介绍 3

1.4论文结构说明 4

第二章 相关理论基础 6

2.1 协同过滤算法 6

2.1.1 基于用户的协同过滤算法 6

2.1.2 基于物品的协同过滤算法 8

2.2 FM模型 9

2.3 FFM模型 11

2.4 DeepFM模型 11

2.2.1输入层与embedding层 12

2.2.2 FM部分 14

2.2.3 DNN部分 15

2.2.4 输出层 16

2.2.5 DeepFM模型的优点 16

第三章 DeepFM模型的研究 18

3.1特征选择 18

3.2 DeepFM模型的参数调整 19

3.3实验评估 19

3.3.1数据集 19

3.3.2评价指标 20

3.3.3实验结果 21

第四章 基于DeepFM的商城推荐系统实现 24

4.1系统概要设计 24

4.1.1需求分析 24

4.1.2结构设计 24

4.1.3 流程分析 25

4.2 系统详细设计 26

4.2.1 系统界面设计 26

4.2.3 功能模块设计 28

4.2.2 数据库设计 29

第五章 结束语 33

5.1总结 33

5.2展望 33

参考文献 35

致谢 38

绪论

1.1选题背景及意义

在2020年2月6日，商务部电子商务和信息化司发布了《2018年中国电子商务发展总报告》^[1] 。报告指出2018年中国电子商务交易规模接近32万亿元；电子商品销售额已经超过7万亿，占社会消费品零售额总额的比重已达18.4%；随着近几年来电子商品销售额增加，互联网上的电商平台开始渐渐出现。现在如淘宝已经成为每个现代成年人手机中的必备软件。由此可见，电子购物正在成为人们日常生活购物中首选方式，在未来一定会有着无可替代的地位。

图1.1 天猫双十一销售额变化图

当前，随着网上商品交易额的显著提高，商品的数量和种类变得越来越庞大和复杂，用户也变得越来越多元化。如何帮助各种不同用户在大量商品之中快速找到他们感兴趣的商品成为了迫不及待要解决的问题。

在过去的电商平台中，平台开发者只使用标签和搜索引擎两种工具来帮助用户找到心仪的商品。然而以搜索引擎和标签为基础的商品推荐系统在某种方面上并不能称为商品推荐系统，只能称为商品检索系统。用户需要准确的输入相应的商品关键字或者清楚地知道商品所属标签，才有可能得到自己想要的商品。这种商品检索系统的确可以在一定程度上缓解商品数据量过大这个问题。然而这种检索系统缺乏智能性，只会僵硬的按照用户的描述来寻找商品。通过物品的特征关键词和标签，搜索引擎才能快速找到合适的物品。但这种搜索结果十分固定，无法利用到用户的相关信息。标签检索也与之类似。但我们都知道不同用户的兴趣与需求是不一样的，仅仅是简单的检索难以满足用户个性化的需要。为此我们需要更加智能的推荐系统。