基于DeepFM的商品购物推荐系统的研究与应用

摘要

随着电子商务的发展,面对多种多样的商品信息,如何将用户感兴趣的商品快速准确的推荐给他们成为电子商务领域研究的重要课题.基于评分数据的矩阵分解推荐模型被广泛研究和应用,但数据稀疏性问题影响了该模型的推荐质量.有研究提出用户在选购商品时呈现出兴趣的变化性及多样性,论文提出了一种基于DeepFM网络的商品推荐算法,首先把用户已购商品进行嵌入式编码,将稀疏特征转换为低维的稠密特征;另一方面用户个人属性特征可以一定程度上表达用户的购买意向,同样使用嵌入式编码对特征进行转换;DeepFM从wide、deep(即低阶、高阶)两方面同时进行考虑,进一步提高模型的泛化能力.论文利用DeepFM对用户购买商品的兴趣进行预测;从用户购买及个人偏好中学习用户兴趣的表示,从而准确地预测用户的购买行为.最后,利用线上用户购买的真实记录数据集去评估模型效果,并与其他模型进行了对比,验证了模型的有效性.