TensorFlow深度学习项目实战

第9章　用TensorFlow构建推荐系统

推荐系统（recommender system）是基于用户与系统的历史交互信息，为用户提供个性化建议的一类算法。经典的例子是，亚马逊公司和其他电子商务网站上“买了物品X的用户也买了物品Y”的推荐。

过去几年，推荐系统显现出重要的意义：在线网站的推荐（recommendation）做得越好，收益可能就越多。这个意义越来越明显。这也是为什么今天的网站几乎都有个性化推荐模块。

在本章中，我们将用TensorFlow构建推荐系统。

本章主要包括如下内容：

• 推荐系统基础；
• 推荐系统的矩阵分解；
• 基于循环神经网络的高级推荐系统。

学完本章，你将了解为训练推荐系统而准备数据的方法，能用TensorFlow构建自己的模型，并能对这些模型进行简单的评估。

9.1　推荐系统

推荐系统的任务是获取所有可能选项的列表，并根据具体用户的偏好对列表进行排序以形成有序列表。这个有序列表就是一个个性化的排序列表，即推荐。

例如，一个购物网站会设计一个推荐区域，可供用户在其中看到相关物品并决定是否购买；售卖音乐会的门票的网站会推荐有趣的表演；在线音乐播放器会推荐用户可能喜欢的歌曲；在线课程的网站会推荐与用户已完成课程类似的课程，如图9-1所示。

推荐通常会基于历史数据［用户过去的交易历史、页面（或物品）访问历史以及单击操作］进行。因此，推荐系统会利用历史数据和机器学习从用户行为中提取模式，并基于此给出最优推荐。

企业对于尽可能给出最优推荐很感兴趣，这通常会改善用户的体验，而企业也会因此获得更多的收入。如果我们向用户推荐一个他以前从未注意到的物品，而用户也购买了它，那么这意味着我们不仅让用户满意了，还卖出了一个可能滞销的物品。

图9-1

本章旨在用TensorFlow实现推荐系统。我们首先会介绍经典算法，然后继续尝试基于RNN和LSTM的复杂模型。对于每一个模型，我们会先给出简要介绍，然后在TensorFlow中实现该模型。 ...