江苏龙网

  1. 首页 > 人文 > >

【】深度学习应对推荐系统，必须懂的3个层面( 三 )


深度学习技术在推荐系统中的应用前景很广阔 ， 下面来看深度推荐系统的实操案例：
【】深度学习应对推荐系统，必须懂的3个层面
本文插图
从上图深度推荐系统产品功能结构可见 ， 深度推荐包含输入层、模型层和输出层 。
输入层的数据主要包括：用户显示反馈（评分、喜欢/不喜欢）或隐式反馈数据（浏览、点击等行为数据）、用户画像（性别、年龄、喜好等）和项目内容（文本、图像等描述或内容）数据、用户生成内容（社会化关系、标注、评论等辅助数据） 。
模型层 ， 使用的深度学习模型较广泛 ， 包括自编码器RBM、受限玻尔兹曼机AE、卷积神经网络CNN、循环神经网络RNN等 。
在输出层 ， 通过利用学习到的用户和项目隐表示 ， 通过内积、Softmax、相似度计算等产生项目的推荐列表 ， 最后实现深度推荐系统 。
小结：深度推荐系统未来的产品方向
（1）效率与可拓展性
对推荐系统而言 ， 不仅需要考虑模型的准确度 ， 运行效率和可维护性也是非常重要的方面 。 效率指的是当用户发来一个请求时 ， 推荐系统能够以接近实时的速度返回结果 ， 而不需让用户等待；可维护性指系统的部署简便 ， 能够支持定期更新 ， 或者增量式更新 。
（2）多样化数据融合
现实平台中 ， 用户或者物品的数据往往是复杂多样的 。 物品的内容可以包括文本、图像、类别等数据；用户的行为数据可以来自多个领域 ， 例如社交网络、搜索引擎、新闻阅读应用等；用户的行为反馈也可以是丰富多样的 ， 例如电商网站中 ， 用户的行为可能有搜索、浏览、点击、收藏、购买等 。
不仅如此 ， 在这些不同的维度中 ， 不同用户或物品的数据分布也千差万别；用户在不同的行为反馈上的数据量也不同 ， 点击行为的数据量往往远大于购买行为的数据量 。 因此 ， 需要深度融合这些复杂数据 。
（3）捕捉用户长短期偏好
用户的偏好大致可以分为长期和短期两类 。 长期偏好往往指用户的兴趣所在 ， 例如她是五月天的歌迷 ， 那么未来很长时间她都会对五月天的歌曲、演唱会门票感兴趣 。
短期偏好指的是用户在当前环境下的即时兴趣 ， 例如最近一周用户比较喜欢听抖音上的热门歌曲 ， 那么推荐系统也应该捕捉到用户的这个兴趣 ， 或者用户在未来一个月有搬家的打算 ， 那么推荐系统可以适当地推送一些搬家公司的广告 。 目前一些流行的做法是 ， 将循环神经网络与深度协同过滤技术结合 ， 从而达到兼顾长短期记忆的功能 。
最后
如何应用大量的用户和物品及内容的匹配 ， 做到精准推荐 ， 未来的出路或许就在深度推荐系统 。 关于深度学习的内容期待关注笔者接下来的文章 。
#专栏作家#
连诗路 ， 公众号：LineLian 。 人人都是产品经理专栏作家 ， 《产品进化论：AI+时代产品经理的思维方法》一书作者 ， 前阿里产品专家 ， 希望与创业者多多交流 。
本文原创发布于人人都是产品经理 。 未经许可 ， 禁止转载 。
题图来自Unsplash, 基于CC0协议


推荐阅读


上一篇：深圳火王钱意：火王AI智能集成灶让下厨更简单

下一篇：雅士利驰援武汉疫区彰显品牌责任感 成为乳业标杆企业