陳金廣，徐心儀，范剛龍

(1.西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710048；2.河南省電子商務(wù)大數(shù)據(jù)處理與分析重點(diǎn)實(shí)驗(yàn)室, 河南 洛陽 471934；3.洛陽師范學(xué)院 電子商務(wù)學(xué)院，河南 洛陽 471934)

0 引 言

隨著大數(shù)據(jù)時(shí)代的到來，推薦系統(tǒng)作為緩解信息過載的重要技術(shù)，已經(jīng)在電子商務(wù)[1]領(lǐng)域廣泛應(yīng)用。為了提供更好的個(gè)性化推薦服務(wù)，準(zhǔn)確地預(yù)測(cè)用戶對(duì)商品的評(píng)分是推薦系統(tǒng)需要解決的關(guān)鍵問題。目前推薦系統(tǒng)領(lǐng)域的研究方向主要分為基于內(nèi)容[2]的推薦、基于協(xié)同過濾[3-4]的推薦和混合推薦[5-6]3種。但是，傳統(tǒng)矩陣分解算法[7]難以適應(yīng)當(dāng)前復(fù)雜的環(huán)境。近年來，深度學(xué)習(xí)技術(shù)飛速發(fā)展并在圖像等領(lǐng)域取得巨大的突破，越來越多的學(xué)者將深度學(xué)習(xí)技術(shù)應(yīng)用到推薦系統(tǒng)中[8]。

在基于深度學(xué)習(xí)并結(jié)合文本信息的推薦方法中，關(guān)鍵是獲取文本信息的上下文。在提取上下文特征方面，KIM等提出一種上下文感知的卷積矩陣分解模型[9]，該模型將卷積神經(jīng)網(wǎng)絡(luò)融入概率矩陣分解模型中，提高了預(yù)測(cè)評(píng)分的準(zhǔn)確性，但在感知上下文方面存在較大欠缺。LIU等提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的CA-RNN模型[10]，該模型引入了具有上下文感知的輸入矩陣和具有上下文感知的轉(zhuǎn)移矩陣，能夠較好地感知上下文，但是在聯(lián)系雙向上下文信息方面效果并不顯著。DEVLIN等提出BERT(bidirectional encoder representation from transformers)模型[11]，該模型可以融合雙向上下文信息，進(jìn)一步地融合句中語義信息，從而更好地提取含有上下文信息的特征表示；在學(xué)習(xí)上下文特征方面，HOCHREITER等提出了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型(long short-term memor,LSTM)[12]，該模型只能獲得與前詞相關(guān)的前文信息，無法獲得上下文相關(guān)信息。ZHENG等在LSTM的基礎(chǔ)上提出雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型(bidirectional long short-term memory,BiLSTM)[13]，該模型通過設(shè)計(jì)前后2個(gè)方向的LSTM，分別獲得當(dāng)前詞與上下文的關(guān)系?，F(xiàn)有的推薦算法大多利用顯式的評(píng)級(jí)信息進(jìn)行推薦[14]，但大部分平臺(tái)上的用戶只產(chǎn)生用戶瀏覽和點(diǎn)擊等隱式的交互信息[15]，這使得傳統(tǒng)的基于評(píng)分預(yù)測(cè)的推薦算法不能滿足相關(guān)平臺(tái)的需要[16]。近年來，基于用戶隱式歷史反饋信息的推薦算法受到了學(xué)術(shù)界的廣泛關(guān)注，研究發(fā)現(xiàn)，隱式反饋在交互環(huán)境中可以成為顯式反饋的替代[17]，這就為本文利用隱式反饋矩陣作為輸入進(jìn)行電影推薦提供了可能性。目前，主流的結(jié)合隱式反饋的推薦模型大多基于貝葉斯個(gè)性化排名框架[18]。DU等通過增加1個(gè)社會(huì)正則化項(xiàng)來擴(kuò)展貝葉斯個(gè)性化排名，算法同時(shí)針對(duì)用戶對(duì)商品的偏好及其社會(huì)關(guān)系進(jìn)行建模[19]，雖然獲得了比BPR更好的推薦質(zhì)量，但存在建模的不確定性。PAN等在此基礎(chǔ)上進(jìn)一步提出了GBPR(group-based BPR)模型[20]，這是一種將用戶對(duì)項(xiàng)目的偏好分組進(jìn)行聚合的方法，以減少建模的不確定性，提高推薦的準(zhǔn)確性。隨著深度學(xué)習(xí)的廣泛應(yīng)用，WU等提出協(xié)同降噪的自動(dòng)編碼器(denoising auto-encoders)[21]，利用自動(dòng)編碼器技術(shù)結(jié)合隱式反饋，獲得了更好的推薦效果。

本文通過BERT+BiLSTM結(jié)構(gòu)提取和學(xué)習(xí)電影標(biāo)題中短文本信息的上下文特征，融合文本信息做輔助推薦，解決了梯度消失和梯度爆炸的問題。隱式反饋與深度自編碼器結(jié)合，通過矩陣分解，實(shí)現(xiàn)數(shù)據(jù)降維和特征抽取，解決了推薦過程中數(shù)據(jù)的稀疏問題。在經(jīng)典數(shù)據(jù)集Movielens 100k和Movielens 1M上進(jìn)行實(shí)驗(yàn)，平均絕對(duì)誤差損失值分別降低到0.045 8和0.046 0，均方誤差損失值分別降低到0.027 3和0.039 0。

1 模型構(gòu)建技術(shù)

1.1 隱式反饋

在顯式反饋推薦中，用戶對(duì)電影的評(píng)分范圍為1～5，表示用戶對(duì)電影的傾向程度，分?jǐn)?shù)越高，傾向程度越大。而在隱式反饋推薦中，只包括了用戶對(duì)電影有評(píng)分和沒有評(píng)分2種情況，反映用戶對(duì)電影有傾向和暫時(shí)沒有傾向。顯式評(píng)分矩陣轉(zhuǎn)換為隱式評(píng)分矩陣如圖1所示。圖1中的空白部分表示用戶對(duì)電影沒有評(píng)分記錄。

圖1 顯式評(píng)分矩陣轉(zhuǎn)換為隱式評(píng)分矩陣Fig.1 Explicit scoring matrix converted to implicit scoring matrix

假設(shè)m和n分別表示用戶和電影的集合。定義用戶電影隱式評(píng)分矩陣：

Rm×n=[rui|u∈m,i∈n]

(1)

(2)

式中：Rm×n為使用隱式評(píng)分填充的矩陣；rui表示在Rm×n中用戶u對(duì)電影i的隱式評(píng)分,rui值為1，表示用戶對(duì)該電影有傾向，否則沒有。

1.2 深度自編碼器

對(duì)于深度自編碼器模型[22-23]，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 深度自編碼器模型網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of deep auto-encoder model

輸入層為具有獨(dú)熱編碼的稀疏二進(jìn)制向量，向量傳入嵌入層進(jìn)行編碼和特征學(xué)習(xí)。嵌入層由編碼器和解碼器組成，用于映射向量。其中，編碼器的256維全連接層用于將高維原始數(shù)據(jù)轉(zhuǎn)換到低維空間，解碼器則為編碼器的逆過程，將低維數(shù)據(jù)轉(zhuǎn)換到高維原始空間。

在編碼器和解碼器之間存在隱藏層，隱藏層中使用Relu作為激活函數(shù)，其表達(dá)式為

R(e)=max(e,0)

(3)

同時(shí)，為了防止過擬合，還加入了dropout層。dropout率設(shè)置為0.1。

輸出層的輸出由模型的具體功能決定。本文模型中，深度自編碼器的輸出為用戶對(duì)電影的預(yù)測(cè)評(píng)分。

1.3BERT+BiLSTM

BERT+BiLSTM結(jié)構(gòu)由BERT、BiLSTM模塊組成，BERT+BiLSTM結(jié)構(gòu)如圖3所示。圖3中，BERT模型是基于多層雙向Transformer的預(yù)訓(xùn)練語言理解模型[11]，該模型由輸入層、編碼層和輸出層3部分構(gòu)成。本文利用其編碼層進(jìn)行字向量的特征提取，編碼層是Transformer[24]，即“Trm”層。“Trm”層是由多個(gè)重疊的單元組成，并且每個(gè)單元由多頭注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)組成，單元內(nèi)部的子層之間設(shè)計(jì)了殘差連接，可以將上一層的信息完整地傳到下一層，從而計(jì)算詞語之間的相互關(guān)系, 并利用所計(jì)算的關(guān)系調(diào)節(jié)權(quán)重，提取文本中的重要特征。

圖3 BERT+BiLSTM結(jié)構(gòu)圖Fig.3 Structure of BERT+BiLSTM

BiLSTM即雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的出現(xiàn)是為了解決LSTM在單向的處理中模型只分析到文本的“上文”信息，而忽略可能存在聯(lián)系的“下文”信息[25]。本文使用的BiLSTM結(jié)構(gòu)是由向前LSTM和向后LSTM組合而成，較單向的LSTM能夠?qū)W習(xí)到上下文特征信息，更好地捕捉雙向語義依賴。

2 多模態(tài)深度自編碼器模型

融合文本信息的多模態(tài)深度自編碼器模型結(jié)構(gòu)如圖4所示。

圖4 模型結(jié)構(gòu)圖Fig.4 Model structure diagram

2.1 數(shù)據(jù)預(yù)處理

根據(jù)n個(gè)用戶對(duì)m部電影的評(píng)分生成隱式反饋評(píng)分矩陣Rm×n，根據(jù)電影類型文本信息和電影標(biāo)題文本信息分別生成用戶-電影類型矩陣Ru×g和用戶-電影標(biāo)題矩陣Ru×t，3個(gè)矩陣均為由one-hot向量組成的矩陣。

2.2 模型輸入

將Rm×n作為深度自編碼器的原始輸入，Ru×g作為模型中嵌入層的輸入，將Ru×t作為BERT+BiLSTM結(jié)構(gòu)的輸入。

2.3 特征學(xué)習(xí)

深度自編碼器對(duì)Rm×n進(jìn)行1次編碼解碼得到評(píng)分特征Tm×n。Ru×g經(jīng)過嵌入層、平滑層和全連接層進(jìn)行特征學(xué)習(xí)，得到電影類型文本特征Tu×g；在BERT+BiLSTM結(jié)構(gòu)中，BERT部分實(shí)現(xiàn)對(duì)Ru×t進(jìn)行文本數(shù)據(jù)向量化和特征提取，BiLSTM部分則實(shí)現(xiàn)向量化特征學(xué)習(xí)，得到電影標(biāo)題的上下文特征Tu×t。

2.4 特征融合

獲取學(xué)習(xí)到的特征Tm×n、Tu×g和Tu×t，假設(shè)T為融合后的特征，使用函數(shù)Concatenate(簡(jiǎn)記為C)對(duì)3個(gè)特征實(shí)現(xiàn)特征融合，即

T=C(Tm×n,Tu×g,Tu×t)

(4)

將T再次輸入深度自編碼器中，對(duì)T實(shí)現(xiàn)二次編碼解碼，得到預(yù)測(cè)評(píng)分矩陣R′m×n。

2.5 模型輸出

輸出預(yù)測(cè)評(píng)分矩陣R′m×n，用于后續(xù)電影推薦。

3 結(jié)果與分析

3.1 數(shù)據(jù)集

為了驗(yàn)證本文模型的有效性，采用Movielens 100k和Movielens 1M電影評(píng)分?jǐn)?shù)據(jù)集。它由明尼蘇達(dá)大學(xué)的Lens研究小組提供，用于測(cè)試和驗(yàn)證所提出的模型和其他用于比較的模型的性能。

在讀取數(shù)據(jù)后，用評(píng)分?jǐn)?shù)據(jù)填充評(píng)分矩陣，以用戶為行，項(xiàng)目為列，分別構(gòu)成Movielens 100k和Movielens 1M的矩陣。Movielens 1M和Movielens 100k數(shù)據(jù)集描述信息見表1。

表1 Movielens 1M和Movielens 100k數(shù)據(jù)集描述信息Tab.1 Movielens 1M and Movielens 100k datasets description information

3.2 評(píng)價(jià)指標(biāo)

采用均方誤差(MSE,簡(jiǎn)記為EMS)和平均絕對(duì)誤差(MAE,簡(jiǎn)記為EMA)評(píng)價(jià)模型的預(yù)測(cè)性能，即

(5)

(6)

3.3 模型設(shè)置

本文模型的整體實(shí)現(xiàn)環(huán)境為Keras=2.2.4，Tensorflow-gpu=1.12.0。在優(yōu)化器選取中，分別采用Adadelta、Adagrad、Adam、Adamax、RMSprop以及SGD等6個(gè)主流優(yōu)化器進(jìn)行對(duì)比實(shí)驗(yàn)，在不同優(yōu)化器下取得的均方誤差見表2。

表2 不同優(yōu)化器下取得的均方誤差Tab.2 MSE obtained under different optimizers

從表2可以看出，在Movielens 1M數(shù)據(jù)集下，Adam優(yōu)化器取得了最低損失值；在Movielens 100k數(shù)據(jù)集下，Adagrad優(yōu)化器取得了最低損失值，而Adam優(yōu)化器的損失值與Adagrad優(yōu)化器相差0.003 6，均方誤差結(jié)果處于中等。究其原因可知，通過與Movielens 1M對(duì)比，Movielens 100k數(shù)據(jù)集的數(shù)據(jù)量過小，易造成精度過低和損失率升高，所以求取在2個(gè)數(shù)據(jù)集下MSE的平均值，以平均值作為衡量標(biāo)準(zhǔn)，得到Adam優(yōu)化器明顯優(yōu)于其他優(yōu)化器。

因此，本文模型采用Adam優(yōu)化器，設(shè)置初始學(xué)習(xí)率為0.000 1，batch-size為64，在數(shù)據(jù)集MovieLens 1M和Movielens 100k的基礎(chǔ)下訓(xùn)練模型。

3.4 對(duì)比實(shí)驗(yàn)

圖5～6分別為基于Movielens 1M和Movielens 100k數(shù)據(jù)集，MAE和MSE在訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)上隨訓(xùn)練輪數(shù)增加的變化情況。

(a) Movielens 1M

從圖5～6可以看出，在Movielens 1M和Movielens 100k數(shù)據(jù)集上，隨著訓(xùn)練輪數(shù)的增加，MAE和MSE損失值先迅速下降然后趨于平穩(wěn)。究其原因可知，隨著訓(xùn)練數(shù)據(jù)集的增加及訓(xùn)練輪數(shù)的增長(zhǎng)，模型能夠?qū)W習(xí)到的用戶和電影的特征增多，使模型預(yù)測(cè)更準(zhǔn)確，因此損失下降。而當(dāng)模型能夠?qū)W習(xí)到的特征趨于飽和時(shí)，隨著輪數(shù)的增長(zhǎng)，損失值則趨于平穩(wěn)。

(a) Movielens 1M

因?yàn)镾VD和PMF是依照矩陣分解原理實(shí)現(xiàn)推薦的傳統(tǒng)算法以及實(shí)驗(yàn)條件的限制，所以選取這2種算法與本文模型進(jìn)行實(shí)驗(yàn)對(duì)比，以MAE作為評(píng)價(jià)指標(biāo)。不同模型在不同數(shù)據(jù)集上的MAE損失見表3。

表3 不同模型在不同數(shù)據(jù)集上的MAE損失Tab.3 MAE loss of different models on different datasets

從表3可以看出，在2個(gè)不同的數(shù)據(jù)集上，本文模型的結(jié)果明顯優(yōu)于所比較的傳統(tǒng)算法。在本文模型中，對(duì)不同矩陣實(shí)現(xiàn)了針對(duì)性處理，因此在訓(xùn)練模型的過程中，提升了矩陣分解的效率和模型的預(yù)測(cè)效果，從而使損失值降低。但是，在Movielens 1M數(shù)據(jù)集和Movielens 100k數(shù)據(jù)集上，單個(gè)模型的MAE值差別不大，針對(duì)本文模型而言，僅相差0.000 2。原因可能在于MAE評(píng)價(jià)指標(biāo)對(duì)數(shù)據(jù)集中的異常點(diǎn)有更好的魯棒性，而且使用固定學(xué)習(xí)率訓(xùn)練模型時(shí)，更新的梯度始終相同，不利于MAE值的收斂以及模型的學(xué)習(xí)。

由于數(shù)據(jù)集較為穩(wěn)定，并且MSE在固定的學(xué)習(xí)率下可以實(shí)現(xiàn)有效收斂，因此在MSE評(píng)價(jià)指標(biāo)下，進(jìn)行了更為詳細(xì)的對(duì)比實(shí)驗(yàn)。

表4給出了本文模型、SVD、PMF、PMMMF、SCC、RMbDn及Hern的MSE損失值。

表4 不同模型在不同數(shù)據(jù)集上的平均絕對(duì)誤差損失Tab.4 MSE loss of different models on different datasets

從表4可以看出，本文模型在Movielens 1M數(shù)據(jù)集的基礎(chǔ)上進(jìn)行實(shí)驗(yàn)時(shí)，損失值降低到0.027 3，明顯低于其他對(duì)比模型的損失值。而在Movielens 100k上進(jìn)行實(shí)驗(yàn)時(shí)，得到的損失值與RMbDn模型以0.039 0并列第一。分析原因可知，RMbDn和本文模型均使用深度學(xué)習(xí)進(jìn)行推薦，能夠更好地捕捉到深層次的語義信息，因此對(duì)比其他模型，取得了更好的效果；同時(shí)觀察表4，發(fā)現(xiàn)本文模型在Movielens 100k上的損失相較在Movielens 1M上增加了0.011 7，存在較大差異。分析原因可知，Movielens 100k相較于Movielens 1M數(shù)據(jù)量小，因此在小樣本下使用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)標(biāo)題、類型等文本數(shù)據(jù)的語義信息進(jìn)行理解時(shí)，可能較難學(xué)習(xí)到語義信息對(duì)用戶興趣遷移的影響，從而使相同模型在不同數(shù)據(jù)集上的損失值升高。因此本文提出的模型更適合在數(shù)據(jù)量較大的情況下使用。

綜上所述，與已有的主流模型相比，本文模型具有更低的損失值，說明將文本信息融合在深度自編碼器中可獲得更多評(píng)分預(yù)測(cè)的信息，提高個(gè)性化推薦效率。

4 結(jié) 論

1) 提出了融合文本信息的多模態(tài)深度自編碼器推薦模型，在2個(gè)公開數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，驗(yàn)證了模型的有效性，達(dá)到了性能提升的效果。

2) 該模型將隱式反饋評(píng)分矩陣作為基礎(chǔ)，使用BERT+BiLSTM結(jié)構(gòu)和模型的嵌入層，實(shí)現(xiàn)不同文本信息的特征學(xué)習(xí)，在深度自編碼器中完成不同特征的深層次融合，可明顯降低推薦過程中的損失。

3) 由于顯式反饋仍存在研究的價(jià)值，應(yīng)考慮結(jié)合顯式反饋信息進(jìn)行混合推薦。