【《基于用户数据的营销系统设计国内外文献综述》4900字】

PAGEPAGE30PAGE基于用户数据的推荐系统设计国内外文献综述伴随网络、传感等技术的发展与广泛应用，数据种类和数量均呈指数级快速增长。在存储这些海量数据的同时，如何从中提取出不同用户的准确有效信息，进而更好地服务于其社会经济活动，这是进行数据分析、实现精准推荐的主要目的之一。通过对应用领域大量数据的系统分析，建立用户画像与推荐项目模型，并基于恰当的推荐算法进行个性化精准推荐。一个设计优良的推荐系统不仅能帮助用户更好地进行经济活动决策、增加购买频次与数量，而且能在带来新用户的同时，提升新老用户的忠诚度；对企业和社会来说，则可以增强竞争力，创造更多经济与社会收益，促进其健康发展。随着推荐技术的发展，越来越多的学者开始注重对用户进行画像的问题，通过精准刻画用户特征从而对推荐的质量进行提升，这作为目前多数推荐系统主要运用的思想。接下来本文将对通过用户画像的方式提供推荐的技术进行梳理并加以分析。推荐技术中经常将用户的兴趣偏好作为推荐依据，通过了解用户的相关偏好而进行推荐。用户偏好通常分为长期偏好和短期偏好，其中长期偏好作为一种人们内心存在的情感倾向，具有长时间内稳定的属性特征。最早提出的的长期偏好推荐是基于模型的协同过滤算法[5]，通过对用户和项目之间的矩阵进行分解，并映射到高维的隐含空间中，其中用户的隐含因子向量具有用户的长期偏好，而项目的隐含因子向量具有项目本身的属性，通过这种方式进一步了解用户的兴趣，更准确的提供推荐结果。其中将用户和项目进行映射而形成的隐含因子向量的模型称为隐含因子模型[6]，该模型作为学习用户长期偏好的主要技术。通过用户的长期偏好进行推荐的模型，在实际应用中具有不错的成果。其中Salakhutdinov等人通过受限玻尔兹曼机（RestrictedBoltzmannMachine,RBM）在用户和项目的矩阵中进行用户偏好的隐含特征提取，通过对用户的影片评分向量进行压缩从而得到对应的隐藏状态，接着对影片评分进行重新建模的操作，最后得出预测得分实现推荐[7]。Wang等人利用深度置信网络对音频中的内容进行自动学习，接着结合矩阵分解协同过滤从而生成个性化的推荐结果，由此提升了推荐的性能[8]。Laura等人提出基于评分系统的偏好启发式概率方法，当评分数据越高时，体现出的用户偏好就越强，这为推荐方法提升了可扩展性[9]。Dai等人提出了一种循环共演化嵌入过程模型，通过对项目特征和用户偏好进行追踪，进一步学习用户和项目之间存在的隐特征，以此为依据进行推荐，达到精准化推荐的效果[10]。随后Cheng等人利用联合训练宽度线性模型和深度神经网络提出了Wide&Deep模型，该模型不仅具有线性模型中的记忆能力，还拥有神经网络中的泛化能力，在两种能力的结合下取得了良好的推荐效果[11]。运用结合不同模型的方式从而提升推荐效果的思想，Travis等人将隐含因子模型和领域模型进行整合，提出了协同记忆的网络模型，在两种模型的优势作用下进一步增强了推荐的性能[12]。Xue等人对物品之间的非线性高阶关系进行分析，并将这种关系的特征融入推荐，提出了一个具有极强表达力的基于物品的协同过滤模型，进一步提升推荐的能力[13]。上述成果都是在基于用户长期的兴趣偏好下实现的，通过高效的推荐模型，极大地改善了推荐效果，进一步推动了推荐技术的发展。在用户的偏好中短期偏好也是一种不可忽略的特征，对于短期偏好是指用户在某一短暂的时间内所具有的情感倾向，会随着某种因素进行改变，而这种特征会直接影响用户对推荐结果的满意度，因此捕捉用户的短期偏好也有利于改善推荐效果。目前最为常见的短期偏好推荐场景就是基于会话的推荐[14]，通过短暂的时间间隔而表现出的用户行为就是用户所具有的短期偏好，此时只能依靠这种行为对用户进行推荐。起初，Hidasi等人利用门控循环单元（GatedRecurrentUnit，GRU）对用户在会话中的行为进行预测，并将每一个会话记作一个序列的方式进行建模，再根据隐藏状态对下一步行为进行概率预测[15]。随后，Tan等人对输入数据偏移的问题进行考虑，并融合了数据增强的方法，对上述模型做了改进，从而提升最终的推荐效果[16]。Tuan等人通过使用三维的卷积神经网络对多源的数据进行建模，提出了一种可以把会话中存在的点击行为和相对应的项目描述信息进行结合的方法[17]。在此基础上，Wu等人认为对于电子商务系统中出现的用户会话现象可以视为一种浏览组合行为，可以通过循环神经网络（RecurrentNeuralNetworks，RNN）对用户的行为进行建模，还与基于前馈网络的协同过滤模型进行结合，进一步增强了模型的准确率[18]。Wu等人还提出了一种非参数推荐模型，通过季节变化和用户偏好的时序变化作为依据，采用两个LSTM网络对用户和商品的状态构建动态模型，达到精确捕捉用户兴趣的目的，从而完成高质量推荐[19]。目前基于会话的推荐也逐步成为推荐领域关注度较高的一个课题，对于用户的短期兴趣捕捉也成为了学者们不断研究的方向，取得的研究成果也在推动着该领域的发展。通过对用户的兴趣偏好进行提取与分析，并以此为推荐依据的思想在推荐系统中具有较为出色的表现，但是在较为复杂的实际应用环境中，通过单一的特征不能很好地解决相关问题，因此将长短期偏好综合考虑的模型开始逐渐发挥重要作用。Airbnb通过分别捕捉用户短期和长期的兴趣，进一步完成个性化的实时推荐，从而为用户提供合适的出租房推荐列表[20]。Zhou等人提出了深度兴趣演化网络，通过门控循环单元（GRU）对用户的兴趣序列进行获取，并追踪用户兴趣的演变，根据用户的兴趣度量，从已经准备好的候选产品中进行挑选，形成推荐列表，完成最终的推荐[21]。分析利用用户兴趣的时序性变化可以更好地提升推荐结果，在此思想上冯等人提出了一种长短兴趣多神经网络混合动态推荐模型（HybridDynamicRecommendationModelbasedonMultipleNeuralNetworks，MN-HDRM），该模型通过循环神经网络对用户的短期兴趣变化进行学习，利用前馈神经网络对用户的长期稳定兴趣进行学习，从而构建了这种混合动态的推荐模型，在多项评价指标中显示出相对优越的性能[22]。Du等人提出了一种神经协同过滤（NCF）框架，通过神经网络结构替换内积的形式，以此来对用户和项目之间的关系进行学习，获取用户的兴趣偏好，实现准确推荐[23]。Okura考虑到用户浏览过程中的时间顺序，使用递归神经网络了解用户的隐式特征，并结合潜在因子模型来实现新闻信息的推荐[24]。虽然用户兴趣偏好被视为推荐准确的主要依据，但是时序性问题也受到很多关注，在推荐中通过时序性特征实现更为精准的刻画也成为了研究的一部分。随着推荐技术的不断优化，越来越多的模型被引入推荐中，通过获取时序性信息来提升推荐的方式逐渐得到广泛应用，其中使用长短期记忆网络（Long-ShortTermMemory，LSTM）的频率也在逐步上升。LSTM是一种非线性模型[25]，可以构造出更大的深度神经网络，该模型主要用于解决长序列在训练过程中出现的梯度消失和梯度爆炸问题。利用LSTM最显著的特点就是可以学习并决定在何时对记忆内容进行清除，其中含有的门控单元能够用在编码和解码的网络中，并且在机器翻译中表现良好。当长短期记忆网络结合推荐技术时，利用其突出的门控机制来对用户的行为信息进行刻画，可以很好地考虑了用户兴趣的时序性变化，以便于提升后期推荐的准确性。近年来将该技术与推荐进行结合的方式受到研究者的不断关注。Pal等采用LSTM对文本特征进行提取，但却忽略了关键部分的信息，只关注整体的文本信息，从而导致最终的推荐效果一般[26]。WuCY等通过利用LSTM对用户和项目在每一时刻的动态隐表示进行学习，分别构成稳定和时变的两种评分模块，接着对两类隐表示的内积进行聚合实现对单一时刻评分的预测，从而得出推荐结果，但最终的推荐结果准确性较低，主要原因是对上下文内容语义的规则性考虑不完善所导致的[27]。随后Xing等人利用LSTM网络对天气降雨进行预测，将降水视为一种时空序列问题，采用多层卷积LSTM层堆叠构建出预测结构，实现了端到端的降水预测模型[28]。罗洋等人提出的融合注意力LSTM的协同过滤推荐算法，解决了提取单词之间的前后语义关系不够充分的问题，并在电影类数据集上进行实验比对，证明了该算法在推荐性能上有显著提升[29]。张素智等人考虑到数据的时效性问题，提出了基于长短期记忆网络的协同过滤算法，通过对数据在不同时间下产生的变化进行描述，并对用户的行为偏好进行动态的模拟，从而达到较高的推荐准确度[30]。通过利用长短期记忆网络对时序性变化进行捕捉，有利于提升推荐中的准确性，也有助于增强用户良好的使用感受。在目前的推荐技术研究中，发现仅使用属性进行推荐略有不足，通过属性之间的关联进行分析计算，则可以让推荐达到更好的效果。因此有学者通过关联性的方式对用户进行画像，从而达到精准推荐的目的。例如，Chader等人将社交分享内容作为信息来源，分析了用户关联性对用户画像的重要性，利用目标用户最密切的关系进行推荐，提升了推荐结果的准确性[31]。Nguyen等人提出了一种供分析师使用的可视化分析方法，以目标用户为中心来建立分析框架，通过交互式可视化分层用户画像，帮助分析师进行有效的调查研究，对做出某些决定提供了相对正确的思路[32]。在社交网络中，用户的关联性往往是体现在朋友之间的，此时的好友关系便处于较为重要的地位，通过好友间的相似关联进一步体现社交网络的便利性。Liben-Nowell作为最早对社交网络中链接预测问题进行研究的学者，提出了相似性度量的方法，以此作为网络拓扑结构的基础[33]。通过关联性对用户进行画像成为推荐中的一种有效手段，其中过仕明在数字图书馆的场景下，对不同的群体潜在服务特征进行挖掘，从而实现精准刻画用户画像，为用户提供了合适的图书推荐结果[34]。随后张长浩以商旅为背景，建立了一种快速识别敏感用户群体的用户画像方法，根据相关信息得到用户的多维度特征，并通过实验证明该方法提升了分类的准确率[35]。通过在不同领域中采用不同方式进行用户画像的手段，在很大程度上会影响推荐的结果，对用户画像进行精准的刻画，有助于提升推荐系统的性能。通过关联性提升推荐效果的手段，最为常见的融合技术还有知识图谱，由于其具有万物关联的特点，在推荐中应用也十分广泛。关于知识图谱推荐的研究方法大致分为三类：基于本体的推荐系统[36]、基于开放链接数据的推荐系统[37]和基于图嵌入的推荐系统[38]。利用知识图谱进行推荐的主要思想就是通过关联性的手段为用户提供准确的推荐服务，其中Saraswathib等采用动态构建本体的方式，计算相似度并进行重排序，为用户推荐合适的职位[39]。Passant等提出的将开放链接数据库Dbpedia[40]中的音乐属性信息引入推荐，利用链接数据语义距离对无效数据进行清理，通过语义距离的计算判断音乐间相似性，再结合用户的评分和历史行为完成最终的推荐。最为经典的DeepWalk[41]和LINE[42]技术以高效的优势得到广泛应用。随后Palumbo等提出的向量化模型entity2rec，主要是依据相连接的属性值使用神经网络模型对知识图谱中的节点进行训练，将其变换成向量的模式，进一步计算用户和项目之间的相关性，最后采用排序函数生成对应的推荐列表[43]。利用知识图谱中的关联性进行推荐，在信息细粒度方面有了提升，进一步增加了推荐效果。因此，对推荐技术进行创新与优化是十分值得深入研究的。参考文献DRohde,BonnerS,DunlopT,etal.RecoGym:AReinforcementLearningEnvironmentfortheproblemofProductRecommendationinOnlineAdvertising.2018.ZhouZ,GuB.ApplicationofComputerDataMiningTechnologyinE-Business[J].JournalofPhysics:ConferenceSeries,2021,1744(4):042107(4pp).周万珍,曹迪,许云峰,等.推荐系统研究综述[J].河北科技大学学报,2020,41(1):76-87.SergioOramas,OriolNieto,MohamedSordo,etal.ADeepMultimodalApproachforCold-startMusicRecommendation[P].DeepLearningforRecommenderSystems,2017.GuoL,LiangJ,ZhuY,etal.Collaborativefilteringrecommendationbasedontrustandemotion[J].JournalofIntelligentInformationSystems,2019,53(1):113-135.YuZ,LianJ,MahmoodyA,etal.AdaptiveUserModelingwithLongandShort-TermPreferencesforPersonalizedRecommendation[C].ProceedingsoftheTwenty-EighthInternationalJointConferenceonArtificialIntelligence,{IJCAI-19},2019:4213-4219.HarshvardhanGM,GourisariaMK,RautaraySS,etal.UBMTR:UnsupervisedBoltzmannMachine-BasedTime-AwareRecommendationSystem[J].JournalofKingSaudUniversityComputerandInformationSciences,2021.LiuH,MooreP,ChenL.Asemanticrecommenderalgorithmfor3Dmodelretrievalbasedondeepbeliefnetworks[J].InternationalJournalofComputationalScienceandEngineering,2019,19(1):93.SongH,MoonN.Eye-trackingandsocialbehaviorpreference-basedrecommendationsystem[J].JournalofSupercomputing,2019,75(4):1990-2006.WangX,ShengY,DengH.JointDeepNetworkwithAuxiliarySemanticLearningforPopularRecommendation[J].IEEEAccess,2020,PP(99):1-1.LiuY,GuoB,LiN,etal.DeepStore:AnInteraction-AwareWide&DeepModelforStoreSiteRecommendationWithAttentionalSpatialEmbeddings[J].IEEEInternetofThingsJournal,2019,6(4):7319-7333.EbesuT,ShenB,FangYCollaborativememorynetworkforrecommendationsystems[C].The41stInternationalACMSIGIRConferenceonResearch&DevelopmentinInformationRetrieval,2018:515-524.XueF,HeX,WangX,etal.DeepItem-basedCollaborativeFilteringforTop-NRecommendation[J].ACMTransactionsonInformationSystems(TOIS),2019,37(3):33.WangS,CaoL,WangYASurveyonSession-basedRecommenderSystems[J].arXiv:InformationRetrieval,2019.LinH,LiuG,LiF,etal.Wheretogo?PredictingnextlocationinIoTenvironment[J].FrontiersofComputerScience(print),2020,15(1):151306.YanC,ChenY,ZhouL.DifferentiatedFashionRecommendationUsingKnowledgeGraphandDataAugmentation[J].IEEEAccess,2019,PP(99):1-1.TuanTX,PhuongTM.3Dconvolutionalnetworksforsession-basedrecommendationwithcontentfeatures[C].ProceedingsoftheEleventhACMConferenceonRecommenderSystems,2017:138-146.WuS,RenW,YuC,etal.PersonalrecommendationusingdeeprecurrentneuralnetworksinNetEase[C].2016IEEE32ndinternationalconferenceondataengineering(ICDE),2016:1218-1229.WuC-Y,AhmedA,BeutelA,etal.RecurrentRecommenderNetworks[C].ProceedingsoftheTenthACMInternationalConferenceonWebSearchandDataMining,2017: