软件工程论文哪里有？本文对DeepFM（DNN、FM）和 NeuMF(MLP、GMF)模型的的特点进行研究。两个模型都是对隐式反馈信息推荐，用 one-hot 编码方式和 Embedding 层编码数据进行嵌入模型，对模型进行训练和结果进行对比。
第 1 章 绪论
1.2 国内外研究现状
1990 年初，国内外很多研究团队对推荐系统进行研究。美国明尼苏达大学GroupLens 研究团队在 1994 年推出了世界上第一个推荐系统 GroupLens[20]，第一个提出协同过滤算法并应用在系统中。1997 年，AT&T 实验室提出 PHOAKS 和ReferralWeb 系统，PHOAKS 的工作原理是从 Usenet 新闻消息中挖掘 Web 资源的建议进行自动识别、统计和重新分配，是识别和重用推荐的协作过滤系统[21]。Referral Web 通过对 Web 上的公共文档进行数据挖掘，建立了用户社交网络模型。参考 Web 使用一个通用的完整 Web 索引引擎，将个人与主题区域匹配[22]。20 世纪初， Choi 等人提出通过两阶段聚类算法改进[23]来改善协同过滤推荐技术的数据稀疏性和可扩展的局限性问题，使其在客户偏好信息不足或数据量较大的情况下也能更准确、快速地进行推荐。在这个过程中，个人隐私数据却处于极其危险的境地，后来基于隐私保护的个性化推荐技术的提出，对推荐系统中用户相关的隐私数据进行保护。Tang[24]提出了一种基于差分隐私保护和时间因子的高效隐私保护协同过滤算法。该方法能有效地保护用户私有数据，但推荐精度略低于传统的协同过滤算法。
随着深度学习技术的成熟和在推荐系统领域的广泛应用，深度学习推荐算法主要解决传统推荐系统中存在的数据稀疏性、冷启动和用户兴趣难挖掘等问题。Alabdulrahman[25]等人介绍了流行的用户个性化预测（PUPP-DA）框架，框架采用软聚类和主动学习的方法来解决冷启动问题。准确地向新用户推荐，使用深度学习演算法来提高整体的预测准确率。为了实现系统个性化推荐，推荐系统将用户和物品分别表达用户偏好向量和物品特征向量。Feng[26]等人提出一种结合注意力机制的深度模型，模型可以根据不同的用户—物品对相应地学习到一个注意力权重向量，最终达到动态调整用户偏好向量的目的。Guo 等人提出了一种新的神经网络结构 DeepFM 模型，结合了推荐能力的因子分解机和特征学习能力的深度学习，模型可以学习用户行为背后复杂的特征交互[27]。Yu 等人应用 DeepFM 模型来实现社交广告的个性化推荐[28]。Wang 采用 FM 与深度分解机"DeepFM"模型对 GTD 分类是否需深度建模进行研究[29]。
第 3 章 基于深度学习的推荐模型
3.1 DeepFM 算法模块
2016 年，Google 公司提出了 Wide&Deep 模型，模型的主要思路是由单层的Wide 部分与 Embedding 层和多隐含层组成的 Deep 部分组成的混合模型，一起输入最终的输出层[43]。其中 Wide 部分主要作用是让模型具有较强的“记忆能力”；Deep 部分的主要作用让模型具有“泛化能力”。正是这样的结构特点，使模型兼顾了逻辑回归和深度神经网络的优点，能够快速的处理和记住大量的历史行为特征。并具有强大的表达能力，成为应用的主流模型，而且衍生出大量的以Wide&Deep 模型为基础结构的混合模型，模型结构如图 3.1 所示。
Deep 部分上是一个标准的前馈神经网络，每一层的形式如公式 3.2，对于输入的高维稀疏的原始特征需要转换为低维稠密向量，维度范围通常是 10 到 100。向量随机初始化，经过最小随时函数进行训练模型，激活函数为 Relu。
Embedding 是利用一个低维稠密的向量来表达相应对象的某些特征值，同时向量之间的距离反应了对象之间的相似性。在深度学习推荐系统中的应用主要是3 个应用：
1）在深度学习网络中作为嵌入层，嵌入层负责将高维稀疏特征向量转换成低维稠密特征向量。
2）作为预训练的 Embedding 特征向量，与其他特征向量连接后，共同输入到深度学习网络中进行训练。
3）通过计算用户与物品的相似度，Embedding 可以直接作为推荐系统的召回层或者召回策略之一。深度神经网络 Embedding 层是一个高维稀疏特征向量的直接映射如图 3.3 嵌入层结构所示。
第 5 章 商品个性化推荐系统实现
5.1 商品个性化推荐系统实现
本文推荐系统以深度学习模型作为商品推荐模块，模型训练的数据是天猫电商数据集，基于上文对推荐系统的设计构建了一个商品个性化推荐系统，系统使用神经协同过滤算法、深度学习模型来实现商品推荐功能。从环境搭建开始，实现了一个多功能深度学习模型的商品个性化推荐系统。
系统开发集成环境 Pycharm，开发语言 Python 调用库 Conda，数据库 MySQL数据库管理 Navicat。
5.1.1 登陆注册界面
新用户进入系统之前都会进行用户账户注册，填写个人基本信息。注册时用户名被占用就会提醒重新输入，然后用户进行系统登录。注册和登录界面如图5.1 所示。
5.2 后台管理系统实现
商品后台管理系统主要是对商品进行管理包括商品列表、添加商品、商品分类、商品类型和订单列表。商品列表页面信息如图 5.6 商品列表所示在海量的商品中，管理员可以根据商品的名称、货号、商品类对商品进行搜索。可以看到衣服的价格和货号、标签、销量等基本信息。操作栏通过查看商品的详细介绍，日志可以对商品的浏览次数的统计，编辑可以对商品的信息进行修改和商品删除。
添加商品功能主要是对商品添加到系统中，如图 5.7 所示添加的商品主要包括商品的类别、商品名称、商品品牌、库存、商品的介绍和商品的价格等主要信息。然后进入下一页填写商品的属性，例如衣服的款式和大小等信息。
第 6 章 总结与展望
6.2 后续工作展望
深度学习在推荐系统应用比较广泛，本论文研究的是隐式反馈推荐，未对显式反馈评分在推荐系统的推荐效果进行比较，并且为用户推荐商品要对用户的短期兴趣作为主要推荐。所以还需要将其他好的深度推荐模型进行学习。设计更实用的推荐系统，需要进一步改进和扩展:
1）对用户短期的兴趣进行深层次挖掘，用户短时间段兴趣的挖掘应该更广泛的应用在推荐系统中。
2）数据集只有一个商城的数据集，可以选择更多的数据源对模型进行训练。推荐算法有更充分的数据证明，推荐的商品大类种类需要完善。使用户能购买商品更齐全，推荐效果更好。模型都是对用户隐形兴趣的挖掘，对用户的显式反馈进行综合考虑结合运用到推荐系统中，以后对推荐模型进行改进。
参考文献（略）
