基于LSTM 的商品推荐模型研究

张洁

（东华大学，上海201620）

1 概述

电商行业的快速发展使得用户购买的商品由购买服装、日用品、电子产品等，转为购买肉类、蔬菜、水果、等生鲜类商品。不同生鲜类别的商品周期性规律不同。新零售平台需要对用户的周期性购买行为进行建模[1]。但新零售平台用户量巨大，对所有用户的周期性购买行为进行建模具有较大难度。因此，商品重构推荐模型的构建特点是要着重挖掘商品购买记录中的时序信息。

2 相关概念

2.1 Keras

Kerass 是由纯python 编写的深度学习框架，是一个高层神经网络API，支持快速实验，具有用户友好、模块化、易扩展的优点。Keras 没有单独的模型配置文件，模型由python 代码表述，更紧凑和更易debug.网络层、损失函数、优化器等都是独立的模块，可以使用它们构建自己的模型[2]。根据需要想要添加新模块比较容易，只需要仿照现有的模块编写类和方法函数即可。模块创新的便利性使得Keras 更加适合模型训练研究[3]。

2.2 深度学习模型

2.2.1 RNN 模型

递归神经网络（也叫RNN 算法）源自于1982 年由Saratha Sathasivam 提出的霍普菲尔德网络[4]。理论上，递归神经网络模型可以获取到时间点为止的所有信息，并保存为隐藏状态。然而，在实际应用中，普通的递归神经网络模型并没有这么好的效果，尤其是对于比较长的输入，很难学习长距离依赖特征[5]。RNN 模型如下图1 所示。

图1 RNN 模型

2.2.2 LSTM模型

长短期记忆网络通常只称为“LSTM”，是一种特殊的RNN，能够学习长期的规律。它们是由Hochreiter＆Schmidhuber（1997）首先提出的[6]，并且在后来的工作中被许多人使用和推广。……