段文菁，謝 珺，續(xù)欣瑩，岳曉冬，劉笑笑

1(太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，山西 晉中 030600)

2(太原理工大學(xué) 電氣與動(dòng)力工程學(xué)院，太原 030000)

3(上海大學(xué) 計(jì)算機(jī)工程與科學(xué)學(xué)院，上海 200444)

1 引 言

互聯(lián)網(wǎng)的飛速發(fā)展使得信息過(guò)載問(wèn)題亟待解決，個(gè)性化推薦作為大數(shù)據(jù)時(shí)代的產(chǎn)物，依據(jù)海量的用戶行為數(shù)據(jù)深入挖掘有效信息，滿足不同用戶的需求，憑借其顯著優(yōu)勢(shì)受到研究者的青睞，被廣泛應(yīng)用于視頻、電商以及新聞等領(lǐng)域.

個(gè)性化推薦的核心任務(wù)是匹配目標(biāo)用戶的需求，用戶興趣建模作為推薦系統(tǒng)的基礎(chǔ)，其構(gòu)建至關(guān)重要，能否建立準(zhǔn)確、高效的用戶模型決定了個(gè)性化推薦的效果.早期的推薦算法以協(xié)同過(guò)濾[1]為代表，依據(jù)群體的歷史反饋信息與相似性關(guān)系，發(fā)掘用戶的潛在喜好.隨著推薦技術(shù)的不斷發(fā)展，深度學(xué)習(xí)以其高效的計(jì)算能力與優(yōu)越的可擴(kuò)展性，迅速在推薦領(lǐng)域占領(lǐng)一席之地，取得了諸多有重要意義的研究成果[2].然而大多算法僅依靠歷史交互信息作為輸入，交互行為的稀疏性嚴(yán)重制約了用戶興趣的表征，且存在明顯的冷啟動(dòng)問(wèn)題，使得個(gè)性化推薦模型有一定的缺陷.

為解決上述局限性，研究者考慮引入不同的輔助信息來(lái)提高推薦性能，如用戶項(xiàng)目屬性[3，4]、評(píng)論文本[5]及社交信息[6]等.近年來(lái)，以知識(shí)圖譜為輔助信息的推薦算法，不僅能夠提高推薦的精確度，同時(shí)為推薦結(jié)果提供一定的可解釋性，具有重要的研究意義和價(jià)值[7].項(xiàng)目端的知識(shí)圖譜融合多源異構(gòu)數(shù)據(jù)，細(xì)粒度地刻畫(huà)項(xiàng)目特征，突出了項(xiàng)目之間的語(yǔ)義聯(lián)系，同時(shí)利用其獨(dú)特的結(jié)構(gòu)知識(shí)，便于挖掘到用戶的深層興趣.然而項(xiàng)目端知識(shí)圖譜，僅補(bǔ)充了項(xiàng)目的知識(shí)，對(duì)于無(wú)交互歷史的新用戶，仍存在一定局限.用戶的屬性信息是其自身的固有信息，相較于歷史交互而言，更加穩(wěn)定且不隨時(shí)間變化.研究表明[8]，用戶屬性信息中隱含一定的興趣偏好.融合用戶的屬性信息不僅可解決用戶冷啟動(dòng)問(wèn)題，在一定程度上可提高推薦系統(tǒng)性能.融合了知識(shí)圖譜與用戶屬性信息的結(jié)構(gòu)圖如圖1所示.通過(guò)用戶點(diǎn)擊的電影記錄在項(xiàng)目端知識(shí)圖譜上鏈接到其深層的偏好，如電影類型、主演、導(dǎo)演等.

圖1 融合知識(shí)圖譜與用戶屬性信息的結(jié)構(gòu)圖

綜合上述分析，本文提出一種融合知識(shí)圖譜的用戶多層興趣模型(Multi-layer User Interest Model Based on Knowledge Graph，MIKU)，該模型以項(xiàng)目端知識(shí)圖譜和用戶屬性為輔助信息，從行為興趣和用戶屬性兩方面對(duì)用戶建模.由于用戶的歷史交互僅代表其直接偏好，未展現(xiàn)出用戶深層的興趣點(diǎn).為了充分挖掘用戶的深層興趣，本文利用知識(shí)圖譜的結(jié)構(gòu)知識(shí)，將用戶的行為興趣分為淺層興趣與深層興趣，以用戶的歷史交互項(xiàng)目為淺層興趣，歷史項(xiàng)目通過(guò)圖譜的關(guān)系路徑鏈接的相關(guān)實(shí)體作為深層興趣.由于用戶對(duì)候選項(xiàng)目興趣受其歷史行為的影響，具有多樣性和動(dòng)態(tài)性，采取以不同的加權(quán)機(jī)制自適應(yīng)地計(jì)算用戶對(duì)直接行為以及其深層興趣點(diǎn)的興趣權(quán)重.考慮到新用戶在系統(tǒng)中尚未產(chǎn)生歷史交互行為，無(wú)法分析其行為興趣，本文綜合了用戶的多層興趣與屬性特征，全面分析用戶特征對(duì)其建模，進(jìn)而生成推薦.在公開(kāi)的MovieLens-1M數(shù)據(jù)集上驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，融合了知識(shí)圖譜與用戶屬性的MIKU模型在推薦精度等指標(biāo)上均有顯著提高.

本文的主要貢獻(xiàn)：

1)結(jié)合項(xiàng)目端知識(shí)圖譜和用戶屬性信息，利用知識(shí)圖譜的結(jié)構(gòu)知識(shí)，挖掘用戶深層興趣.同時(shí)融合用戶固有屬性，從多層行為興趣與用戶屬性角度全面深入挖掘用戶的偏好，提高推薦的精準(zhǔn)度，改善了用戶冷啟動(dòng)問(wèn)題.

2)采用不同的自適應(yīng)加權(quán)機(jī)制，分別從用戶行為對(duì)淺層興趣及深層興趣建模，有效提取用戶交互級(jí)別的動(dòng)態(tài)偏好，刻畫(huà)了用戶興趣的多樣性.

2 相關(guān)工作

2.1 用戶興趣建模

用戶興趣模型的構(gòu)建是推薦算法研究的基礎(chǔ)，能否獲取較為準(zhǔn)確的偏好信息是提高推薦精確度的關(guān)鍵.傳統(tǒng)的協(xié)同過(guò)濾算法認(rèn)為，具有相似行為的用戶擁有相近的興趣，利用項(xiàng)目評(píng)分信息計(jì)算兩用戶的相似度.隨著數(shù)據(jù)的不斷增長(zhǎng)，用戶和項(xiàng)目的數(shù)據(jù)量極為龐大，用戶真正有過(guò)行為的項(xiàng)目寥寥無(wú)幾，評(píng)分矩陣稀疏，不能很好地表示判定用戶間的相似度.近年來(lái)，研究者從不同角度引入各種技術(shù)方法更深一步探索推薦問(wèn)題[9-14].文獻(xiàn)[9]結(jié)合SVM與因式分解模型，旨在解決數(shù)據(jù)稀疏情況下的特征組合問(wèn)題，但卻忽略了用戶的歷史行為乃其興趣的最直觀表現(xiàn)；文獻(xiàn)[12]利用用戶的行為序列挖掘用戶的興趣，以其歷史點(diǎn)擊項(xiàng)目平均加權(quán)作為用戶的興趣表征；文獻(xiàn)[13]引入注意力機(jī)制為歷史項(xiàng)目分配不同的權(quán)重加權(quán)，表征用戶興趣的多樣性.然而交互行為的稀疏性仍制約著用戶興趣的表征，且信息結(jié)構(gòu)單一，無(wú)法挖掘到用戶深層的興趣，對(duì)于無(wú)用戶交互記錄的新用戶，無(wú)法給出合理的推薦.結(jié)合了輔助信息的推薦系統(tǒng)，可有效解決以上缺陷.文獻(xiàn)[14]采用改進(jìn)的K-means聚類方式對(duì)用戶屬性特征聚類，從相似度角度結(jié)合用戶屬性和用戶偏好，緩解冷啟動(dòng)問(wèn)題的同時(shí)，提高了推薦效果.

2.2 融合知識(shí)圖譜的推薦算法

以知識(shí)圖譜為輔助信息的推薦系統(tǒng)一般分為基于路徑的方法與基于嵌入的方法.基于路徑的方法利用圖譜的網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建項(xiàng)目之間的元路徑特征.文獻(xiàn)[15]引入基于meta-path的隱含特征，來(lái)代表用戶和項(xiàng)目在不同路徑上的連通性.文獻(xiàn)[16]將知識(shí)圖譜視為特殊的異構(gòu)信息網(wǎng)絡(luò)，引入加權(quán)元路徑的概念，針對(duì)不同路徑的重要程度賦予相應(yīng)的權(quán)重.而基于嵌入的方法[17]側(cè)重于利用知識(shí)圖譜的結(jié)構(gòu)信息豐富項(xiàng)目或用戶的表征.文獻(xiàn)[18]通過(guò)TransR知識(shí)嵌入算法獲取實(shí)體的語(yǔ)義表示，進(jìn)而獲取更好的物品潛在表示.文獻(xiàn)[19]為了彌補(bǔ)一般的實(shí)體嵌入獨(dú)立于推薦任務(wù)，將知識(shí)嵌入與推薦作為兩個(gè)交替的任務(wù)共同優(yōu)化，進(jìn)行多任務(wù)推薦.然而這兩類方法各有缺陷，基于路徑的方法很大程度依賴于預(yù)定義的元路徑，可擴(kuò)展性不強(qiáng).基于嵌入的方法未充分利用圖譜的結(jié)構(gòu)關(guān)系，缺乏推理能力，忽略成對(duì)實(shí)體之間關(guān)系的語(yǔ)義.文獻(xiàn)[20]提出了漣漪網(wǎng)絡(luò)，首次將基于路徑與基于嵌入的方法結(jié)合，通過(guò)知識(shí)圖譜探索用戶興趣偏好的傳播過(guò)程，取得了顯著成效，然而該算法僅關(guān)注用戶的傳播偏好，忽略了其歷史點(diǎn)擊項(xiàng)目以及屬性特征對(duì)于興趣建模的重要性，存在一定不足.

本文提出的算法以項(xiàng)目端的知識(shí)圖譜與用戶屬性信息為輔助信息，結(jié)合基于嵌入與基于路徑的推薦算法，既豐富了物品之間的語(yǔ)義關(guān)聯(lián)，又可自動(dòng)獲取路徑中的實(shí)體聯(lián)系.利用知識(shí)圖譜的結(jié)構(gòu)知識(shí)挖掘用戶的興趣點(diǎn)，從用戶行為中分析其淺層興趣和深層興趣.考慮到用戶興趣的多樣性，通過(guò)對(duì)歷史行為和知識(shí)圖譜中的深層興趣點(diǎn)自適應(yīng)加權(quán)以獲取用戶的興趣表征.同時(shí)為改善冷啟動(dòng)問(wèn)題，結(jié)合用戶的屬性信息，有效彌補(bǔ)了用戶端的特征信息不足，改善了推薦系統(tǒng)性能.

3 融合知識(shí)圖譜的用戶多層興趣模型

3.1 相關(guān)定義及問(wèn)題描述

表1給出本文使用的相關(guān)符號(hào).

表1 符號(hào)標(biāo)識(shí)及說(shuō)明

定義1.用戶-項(xiàng)目交互矩陣Y={yuv|u∈U，v∈V}，U={u1，u2，...}和V={v1，v2，...}分別表示用戶和項(xiàng)目的集合.

(1)

其中yuv=1表示用戶u和項(xiàng)目v之間存在隱式反饋，例如點(diǎn)擊、觀看、瀏覽等行為；

定義2.存在知識(shí)圖譜G，由大量的實(shí)體關(guān)系三元組(頭實(shí)體，關(guān)系，尾實(shí)體)組成(記為).這里G={(eh，r，et)|eh∈ε，r∈R，et∈ε}，其中ε和R表示知識(shí)圖譜G中的實(shí)體集合和關(guān)系集合.為了利用知識(shí)圖譜中的項(xiàng)目語(yǔ)義關(guān)系，在該推薦場(chǎng)景中可以將集合V中的項(xiàng)目v與G中的一個(gè)或多個(gè)實(shí)體相匹配，表示為V?ε；

定義3.用戶u的歷史交互項(xiàng)目集為：δu={v1，v2，...，vNi}；

定義4.以用戶u的交互項(xiàng)目相關(guān)實(shí)體集為：εu={et|(eh，r，et)∈G，其中eh∈δu}；

定義5.用戶u的相關(guān)三元組集為：Su={(eh，r，et)|(eh，r，et)∈G，其中eh∈δu}.

圖2 MIKU模型總體流程圖

3.2 融合知識(shí)圖譜的用戶多層興趣推薦算法

圖3 MIKU的整體模型圖

3.2.1 用戶淺層興趣建模

給定用戶u的點(diǎn)擊記錄δu，由于項(xiàng)目與知識(shí)圖譜的實(shí)體相匹配，對(duì)于每個(gè)項(xiàng)目vi(i=1，2，...，Ni)通過(guò)知識(shí)表示學(xué)習(xí)得到對(duì)應(yīng)的向量表示vi∈d，其中d為向量表示的維度.

為了對(duì)用戶u的興趣建模，一般直接平均其點(diǎn)擊過(guò)的項(xiàng)目特征，為所有歷史項(xiàng)目分配統(tǒng)一的權(quán)重，如公式(2)所示：

(2)

然而，用戶對(duì)項(xiàng)目的興趣是多樣化的，考慮到若用戶的歷史點(diǎn)擊中存在較多與候選項(xiàng)目相似的物品，則可認(rèn)為該用戶對(duì)候選項(xiàng)目感興趣程度越大.因此，本文采用自適應(yīng)加權(quán)機(jī)制，計(jì)算各個(gè)交互項(xiàng)目與待推薦項(xiàng)目之間的相關(guān)權(quán)重，按此權(quán)重對(duì)各個(gè)歷史項(xiàng)目的向量進(jìn)行加權(quán)求和，動(dòng)態(tài)刻畫(huà)用戶的歷史興趣.

具體為，以候選項(xiàng)目表示vj∈d為基礎(chǔ)，為用戶u交互歷史項(xiàng)目集δu中每個(gè) vi分配不同的權(quán)重并加權(quán)平均，獲取用戶的淺層興趣表征uH：

(3)

其中αi為自適應(yīng)加權(quán)的權(quán)重因子，給定項(xiàng)目vi和vj利用函數(shù)H1通過(guò)內(nèi)積形式擬合二者之間的相關(guān)性，并通過(guò)softmax函數(shù)將相關(guān)性轉(zhuǎn)化為權(quán)重因子：

(4)

3.2.2 用戶深層興趣建模

知識(shí)圖譜中包含了豐富的實(shí)體信息，利用不同實(shí)體之間的關(guān)聯(lián)可以挖掘用戶的深層興趣，例如用戶m點(diǎn)擊過(guò)電影vm是由于他對(duì)該電影主演感興趣，為了充分挖掘用戶的深層興趣，本文利用知識(shí)圖譜的結(jié)構(gòu)知識(shí)，以用戶歷史交互項(xiàng)目通過(guò)知識(shí)圖譜的關(guān)系路徑，鏈接到相關(guān)實(shí)體，挖掘用戶對(duì)相關(guān)實(shí)體的深層興趣.考慮到用戶在不同關(guān)系下的興趣度不同，提出基于知識(shí)路徑加權(quán)的用戶深層興趣建模，刻畫(huà)用戶直接點(diǎn)擊的歷史項(xiàng)目通過(guò)在關(guān)系路徑傳遞至其相關(guān)實(shí)體的興趣.

給定知識(shí)圖譜G，以用戶u的歷史點(diǎn)擊項(xiàng)目δu為頭實(shí)體，沿著知識(shí)路徑鏈接得到相關(guān)實(shí)體εu以及歷史項(xiàng)目的三元組集Su，通過(guò)內(nèi)積函數(shù)H2計(jì)算候選項(xiàng)目vj與三元組(ehi，ri，eti)在關(guān)系ri下與頭實(shí)體ehi的權(quán)重因子βi：

(5)

其中ri∈d×d為關(guān)系ri的張量表示，ehi∈d為項(xiàng)目vi所匹配的頭實(shí)體的向量表示.通過(guò)計(jì)算Su中所有三元組的相關(guān)權(quán)重因子，對(duì)于用戶鏈接到的相關(guān)實(shí)體以對(duì)應(yīng)的概率進(jìn)行加權(quán)求和，從而表征用戶的深層興趣uT：

(6)

3.2.3 用戶屬性建模

傳統(tǒng)推薦只考慮用戶-項(xiàng)目評(píng)分交互的關(guān)聯(lián)，忽略了用戶本身的屬性特點(diǎn).本文綜合考慮了用戶屬性特征和用戶興趣特征，更完善地表征用戶，可提高推薦準(zhǔn)確率同時(shí)有效解決了用戶冷啟動(dòng)問(wèn)題.

屬性特征作為用戶本身固有的信息，在用戶無(wú)交互記錄時(shí)，可作為依據(jù)有效表征用戶.表2列出MovieLens-1M的用戶信息中前5行數(shù)據(jù)，性別2類，年齡7類，職業(yè)21類，具體信息以數(shù)值表示，表2中第一行userID為′1′，性別′F′代表女性，年齡′1′代表年齡小于18歲的用戶，職業(yè)′10′代表該用戶為學(xué)生.

表2 用戶屬性信息

為了提取用戶的屬性特征，本文通過(guò)用戶屬性建模，首先將屬性信息進(jìn)行數(shù)值化處理，例如把用戶性別為′F′映射為1，′M′映射為0.將處理后的數(shù)據(jù)通過(guò)one-hot層轉(zhuǎn)換為稀疏向量，考慮到one-hot類型的特征太過(guò)稀疏，會(huì)導(dǎo)致網(wǎng)絡(luò)參數(shù)太多，且特征長(zhǎng)度不一，不利于后續(xù)特征的融合.本文利用嵌入層，以屬性特征的稀疏向量表示uage，ugender，uocc作為輸入，將其壓縮成統(tǒng)一長(zhǎng)度的低維稠密向量，最后通過(guò)全連接層映射函數(shù)Z將不同特征映射至與用戶興趣特征同一隱空間，用戶屬性特征表示uP為：

uP=Z(uage，ugender，uocc)

(7)

3.3 模型優(yōu)化

通過(guò)對(duì)用戶的淺層興趣和深層興趣建模，同時(shí)融入了用戶屬性特征，可得到用戶向量表征u：

u=uH+uT+uP

(8)

(9)

其中σ(x)=(1+e-x)-1為sigmoid函數(shù)，an表示神經(jīng)網(wǎng)絡(luò)中第n層的激活函數(shù)，Wn和bn分別為第n層的權(quán)重和偏置.

模型損失函數(shù)如公式(10)所示：

(10)

在公式(10)中，第1項(xiàng)為推薦中用戶-項(xiàng)目交互行為的預(yù)測(cè)概率和真實(shí)標(biāo)簽之間的交叉熵?fù)p失，其中F為交叉熵函數(shù)，第2項(xiàng)計(jì)算了利用語(yǔ)義匹配模型[21]學(xué)習(xí)得到實(shí)體和關(guān)系表征與知識(shí)圖譜G中的關(guān)系為r的示性函數(shù)Xr之間誤差的平方；最后一項(xiàng)是防止過(guò)擬合的正則項(xiàng)，λ1為知識(shí)圖譜正則項(xiàng)權(quán)重參數(shù)，λ2為L(zhǎng)2正則項(xiàng)參數(shù).

4 實(shí)驗(yàn)過(guò)程和結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

為測(cè)試模型的有效性，本文利用MovieLen-1M電影數(shù)據(jù)集(1)http：//grouplens.org/datasets/movielens/對(duì)提出的方法進(jìn)行驗(yàn)證.MovieLens-1M是推薦領(lǐng)域廣泛使用的基準(zhǔn)數(shù)據(jù)集，包含943位用戶對(duì)1682部電影共計(jì)100多萬(wàn)條顯示評(píng)分?jǐn)?shù)據(jù)，電影屬性數(shù)據(jù)以及用戶的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)(年齡、性別和職業(yè)等).考慮到用戶的點(diǎn)擊歷史行為更容易收集，本文將顯式評(píng)分轉(zhuǎn)化為隱式反饋數(shù)據(jù)，以用戶評(píng)分過(guò)的電影為正樣本，隨機(jī)采樣用戶未評(píng)分過(guò)的電影集合為負(fù)樣本，對(duì)于每個(gè)用戶而言，正負(fù)樣本之比為1∶1.

本文使用文獻(xiàn)[20]提供的微軟Satori知識(shí)圖譜，以電影關(guān)系篩選出符合條件的所有三元組(head，film.film.name，tail)，將MovieLens-1M中的電影ID與知識(shí)圖譜中的頭尾實(shí)體ID相匹配，構(gòu)成最終的電影知識(shí)圖譜,其中涉及的電影及知識(shí)圖譜數(shù)據(jù)統(tǒng)計(jì)如表3所示.

表3 實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)

4.2 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

對(duì)于推薦系統(tǒng)算法推薦的結(jié)果，本文采用3個(gè)指標(biāo)對(duì)其進(jìn)行分析：準(zhǔn)確率Precision@K、召回率Recall@K以及綜合指標(biāo)F@K，其中K為推薦的個(gè)數(shù).

(11)

(12)

其中R(u)表示根據(jù)用戶在訓(xùn)練集上的行為給用戶做出推薦列表，T(u)表示用戶在測(cè)試集上的行為列表.

準(zhǔn)確率和召回率作為推薦評(píng)價(jià)的重要指標(biāo)，相互制約影響，可利用F@K作為二者的調(diào)和均值綜合評(píng)價(jià)：

(13)

參數(shù)μ表示準(zhǔn)確率在評(píng)價(jià)標(biāo)準(zhǔn)中的重要性，取值范圍為[0，+∞)，實(shí)驗(yàn)中常使用μ=1.

4.3 實(shí)驗(yàn)方案設(shè)計(jì)與結(jié)果分析

本文模型采用離線實(shí)驗(yàn)，將MovieLens-1M數(shù)據(jù)集以6:2:2的比例劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，每個(gè)實(shí)驗(yàn)重復(fù)5次，取最終的平均結(jié)果.實(shí)驗(yàn)主要在Top-K推薦場(chǎng)景中，使用學(xué)習(xí)到的模型為每個(gè)測(cè)試集中的用戶選擇前K個(gè)預(yù)測(cè)概率的物品作為推薦結(jié)果，利用準(zhǔn)確率、召回率和F1值驗(yàn)證本文模型的有效性.

為了驗(yàn)證MIKU模型的有效性，本文使用了如下的基準(zhǔn)方法：

LibFM[9]：基于潛在特征因子的矩陣分解模型，本文將用戶和物品的原始特征以及依據(jù)知識(shí)表示方法學(xué)到的實(shí)體向量作為模型輸入；

PER[15]：引入基于meta-path的隱含特征，來(lái)代表用戶和項(xiàng)目在不同 路徑上的連通性；

CKE[18]：結(jié)合多源輔助信息的協(xié)同過(guò)濾方法，從知識(shí)庫(kù)中學(xué)習(xí)項(xiàng)目的語(yǔ)義表示.本文中僅使用結(jié)構(gòu)化的知識(shí)作為輸入，無(wú)圖片和文本知識(shí)；

MKR[19]：以知識(shí)嵌入任務(wù)來(lái)輔助推薦任務(wù)的多任務(wù)特征學(xué)習(xí)方法；

RippleNet[20]：將用戶興趣類比于“漣漪”擴(kuò)散，模擬用戶興趣在知識(shí)圖譜上的偏好傳播模型.

模型中涉及到的相關(guān)參數(shù)如表4所示，為了公平考慮，所有對(duì)比基線方法的參數(shù)均設(shè)置相同.

表4 相關(guān)參數(shù)

4.3.1 相關(guān)參數(shù)驗(yàn)證

為了研究向量表示的嵌入維度d和知識(shí)圖譜正則項(xiàng)權(quán)重λ1對(duì)推薦結(jié)果的影響，實(shí)驗(yàn)中分別選取d的變化范圍為4-64，λ1的范圍為0.001-0.01，保持其他參數(shù)不變進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果如圖4所示.

圖4 相關(guān)參數(shù)驗(yàn)證結(jié)果

由圖4(a)可看出，當(dāng)推薦個(gè)數(shù)取K=10時(shí)，隨著嵌入維度d的增加，準(zhǔn)確率 、召回率及F1值都逐漸上升，這是由于維度的增加可使得特征向量編碼獲得更多有用的信息.然而當(dāng)嵌入維度大于16之后，時(shí)間復(fù)雜度大大增加，且模型訓(xùn)練過(guò)擬合，3個(gè)指標(biāo)均有所下降.從圖4(b)可看出，當(dāng)λ1=0.01時(shí)，該模型效果最佳.由于知識(shí)圖譜正則項(xiàng)過(guò)小無(wú)法為模型提供足夠的正則化約束，權(quán)重過(guò)大則會(huì)使得目標(biāo)函數(shù)更側(cè)重于知識(shí)圖譜的優(yōu)化，導(dǎo)致推薦效果變差.

4.3.2 模型消融實(shí)驗(yàn)

為了討論用戶不同模塊興趣對(duì)推薦結(jié)果的影響，本文使用消融實(shí)驗(yàn)，將模型拆分為淺層興趣、深層興趣、淺層興趣與深層興趣結(jié)合3個(gè)模塊，以不同模塊作為用戶表征，與MIKU模型進(jìn)行對(duì)比驗(yàn)證，推薦項(xiàng)目的個(gè)數(shù)K分別取1，2，5，10，20，50，100.圖5中的(a)、(b)、(c)分別為不同K值下的準(zhǔn)確率、召回率以及F1值變化.

圖5 不同K值下的準(zhǔn)確度、召回率及F1值

當(dāng)K=10時(shí)，實(shí)驗(yàn)結(jié)果如表5所示，可以看出利用知識(shí)圖譜結(jié)構(gòu)信息挖掘的深層興趣對(duì)召回率有明顯改善；結(jié)合淺層興趣與深層興趣，相對(duì)于單獨(dú)模塊而言，在3個(gè)指標(biāo)下結(jié)果均有提升推薦效果；加入屬性信息的算法，在推薦個(gè)數(shù)較少時(shí)，準(zhǔn)確率明顯提升，說(shuō)明屬性特征的融合，在一定程度上可改善推薦精度.總而言之，綜合用戶淺層興趣、深層興趣與用戶屬性的MIKU模型，在各個(gè)指標(biāo)上均優(yōu)于獨(dú)立模塊，有效改善了推薦性能.

表5 模型內(nèi)部消融實(shí)驗(yàn)結(jié)果

4.3.3 不同模型對(duì)比

MIKU模型與其他基準(zhǔn)模型對(duì)比結(jié)果如表6所示，為了綜合分析模型，取推薦個(gè)數(shù)K=10.

表6 不同模型對(duì)比結(jié)果

通過(guò)觀察表6分析可知，CKE由于缺少文本和圖像的信息，僅依靠結(jié)構(gòu)化知識(shí)提取的特征信息不足以充分刻畫(huà)物品特征，結(jié)果表現(xiàn)最差；PER由于預(yù)定義的元路徑很難達(dá)到最優(yōu)，相對(duì)其他融合知識(shí)感知推薦模型而言，結(jié)果較差；LibFM作為一種通用的推薦算法，結(jié)合了知識(shí)圖譜中的語(yǔ)義信息表現(xiàn)較好，表明有效利用知識(shí)圖譜中的知識(shí)可提高推薦模型的性能；MKR模型利用多任務(wù)學(xué)習(xí)共享信息，有效提升了推薦性能；RippleNet模型相對(duì)于其他模型而言有很強(qiáng)的表現(xiàn)，表明有效利用知識(shí)圖譜的結(jié)構(gòu)信息對(duì)于推薦而言至關(guān)重要；本文模型綜合3個(gè)指標(biāo)性能提升了約1.9%～3.07%指標(biāo)，證明了MIKU模型結(jié)合知識(shí)圖譜的語(yǔ)義信息與結(jié)構(gòu)知識(shí)，同時(shí)融合用戶屬性特征，全面刻畫(huà)用戶模型，有效提高了推薦結(jié)果.

4.3.4 不同生成推薦方法對(duì)比

為了進(jìn)一步研究，利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶項(xiàng)目之間的復(fù)雜關(guān)聯(lián)對(duì)推薦結(jié)果的影響，本文在生成推薦過(guò)程中，使用多層感知機(jī)代替用戶與項(xiàng)目特征的簡(jiǎn)單內(nèi)積來(lái)計(jì)算預(yù)測(cè)的點(diǎn)擊概率，結(jié)果如表7所示.

表7 不同生成推薦方法對(duì)實(shí)驗(yàn)結(jié)果影響

由表7可知，對(duì)于融合了多層行為興趣與用戶屬性的MIKU模型而言，利用神經(jīng)網(wǎng)絡(luò)作為最終的概率預(yù)測(cè)，便于學(xué)習(xí)到用戶和物品之間復(fù)雜的非線性關(guān)系，更能挖掘到用戶對(duì)項(xiàng)目的深層偏好.

5 結(jié)束語(yǔ)

本文提出了融合知識(shí)圖譜的用戶多層興趣模型，為全面刻畫(huà)用戶興趣，從用戶固有屬性與交互行為分析用戶偏好.一方面以知識(shí)圖譜為物品側(cè)信息，細(xì)粒度描述物品特征，刻畫(huà)了物品之間的語(yǔ)義聯(lián)系.另一方面考慮到知識(shí)圖譜的結(jié)構(gòu)性，通過(guò)不同的關(guān)系路徑自動(dòng)鏈接用戶的深層興趣.以用戶歷史行為的淺層興趣與用戶的深層興趣結(jié)合，深入挖掘交互行為中的興趣偏好.同時(shí)結(jié)合了用戶屬性特征的推薦算法，有助于提高推薦性能，在一定程度上可彌補(bǔ)用戶冷啟動(dòng)的缺陷.在今后的工作中，將考慮融合時(shí)間因子，從時(shí)間層面和興趣深度兩個(gè)角度全面刻畫(huà)用戶興趣，進(jìn)一步提升推薦系統(tǒng)性能.