0 引言

    近幾年，深度學(xué)習(xí)在人工智能、機(jī)器學(xué)習(xí)中取得了飛躍式的突破，特別是在語(yǔ)音識(shí)別和圖像識(shí)別等領(lǐng)域^[1-3]。其中，深度神經(jīng)網(wǎng)絡(luò)由于結(jié)構(gòu)類似于生物神經(jīng)網(wǎng)絡(luò)，因此擁有高效、精準(zhǔn)抽取信息深層隱含特征的能力和能夠?qū)W習(xí)多層的抽象特征表示，且能夠?qū)缬?、多源、異質(zhì)的內(nèi)容信息進(jìn)行學(xué)習(xí)等優(yōu)勢(shì)，可以一定程度上處理推薦系統(tǒng)稀疏性、新物品、可擴(kuò)張性等問題，這為推薦系統(tǒng)解決固有問題帶來(lái)了新的機(jī)遇。

    本文提出了基于深度神經(jīng)網(wǎng)絡(luò)結(jié)合多用戶-項(xiàng)目、協(xié)同過濾的推薦模型(Multi-View-Collaborative Filtering integrating Deep Neural Network，MV-CFiDNN)^[4-6]，基于深度神經(jīng)網(wǎng)絡(luò)理論，提取用戶、項(xiàng)目信息的深層隱含特征并自學(xué)習(xí)、優(yōu)化提取模型，最后結(jié)合多用戶-項(xiàng)目、協(xié)同過濾(Collaborative Filtering)提供廣泛的個(gè)性化推薦。

1 深度神經(jīng)網(wǎng)絡(luò)推薦模型

    基于深度學(xué)習(xí)的推薦系統(tǒng)通過將用戶和項(xiàng)目的各類原始數(shù)據(jù)信息提供給輸入層，在隱含層通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型進(jìn)行用戶、項(xiàng)目的隱特征學(xué)習(xí)及抽取，最后通過學(xué)習(xí)隱表示實(shí)現(xiàn)用戶、項(xiàng)目推薦^[7-8]?；谏疃壬窠?jīng)網(wǎng)絡(luò)框架的兩次自學(xué)習(xí)并結(jié)合協(xié)同過濾的CFiDNN框架如圖1所示。CFiDNN框架兩大核心為：候選生成網(wǎng)絡(luò)融合協(xié)同過濾與排名網(wǎng)絡(luò)結(jié)合協(xié)同過濾。

    其中，候選集產(chǎn)生以用戶在瀏覽歷史記錄中的提取特征作為輸入信息，然后基于多源數(shù)據(jù)庫(kù)檢索到與用戶相關(guān)的一個(gè)數(shù)據(jù)集，這一數(shù)據(jù)集就是候選集。這部分候選集通過協(xié)同過濾(CF)實(shí)現(xiàn)廣泛個(gè)性化。再通過用戶、項(xiàng)目的多類特征源學(xué)習(xí)計(jì)算相似性，實(shí)現(xiàn)最小排名集，最后基于協(xié)同過濾實(shí)現(xiàn)推薦。

1.1 候選集生成模塊

    對(duì)于候選集生成，首先，將用戶瀏覽及搜索項(xiàng)目等歷史記錄信息映射為向量，然后對(duì)其求平均值獲取定長(zhǎng)表示；并且，輸入用戶地理信息特征值優(yōu)化個(gè)性化推薦效果，二值性和連續(xù)性特征值通過歸一化得到[0，1]范圍。其次，把所有輸入特征值拼接到同一個(gè)向量，并且把拼接后的向量輸予激活函數(shù)處理。最后，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸給Softmax進(jìn)行分類，通過訓(xùn)練的特征與源項(xiàng)目進(jìn)行相似度計(jì)算，獲取相似度最高的N個(gè)項(xiàng)目作為候選模塊中的候選集，圖2為候選生成結(jié)構(gòu)圖。

    基于生成的候選集協(xié)同過濾提供廣泛的個(gè)性化，組合基于用戶-項(xiàng)目相關(guān)度評(píng)價(jià)實(shí)現(xiàn)精準(zhǔn)、實(shí)時(shí)、個(gè)性化推薦。

    候選集生成部分是基于多源異構(gòu)數(shù)據(jù)庫(kù)中學(xué)習(xí)選擇與用戶相關(guān)度較高的項(xiàng)目，對(duì)于預(yù)測(cè)用戶U，其瀏覽某一個(gè)信息的概率為：

其中，U是用戶特征值，V表示多源異構(gòu)數(shù)據(jù)庫(kù)，v_i表示數(shù)據(jù)庫(kù)中第i個(gè)項(xiàng)目的特征值，U與v_i向量擁有相等長(zhǎng)度，它兩通過點(diǎn)積在隱層全連接實(shí)現(xiàn)。

1.2 排序生成模塊

    排序生成結(jié)構(gòu)與候選生成結(jié)構(gòu)類似，區(qū)別在于排序生成是對(duì)候選生成集升級(jí)細(xì)致分類排序。與傳統(tǒng)排序抽取特征值類似，神經(jīng)網(wǎng)絡(luò)排序也是通過拼接大量用戶、項(xiàng)目相關(guān)特征值(文本ID、瀏覽時(shí)長(zhǎng)等)。特征值的處理與候選生成類似，都基于向量化，區(qū)別在于排序生成網(wǎng)絡(luò)最后通過加權(quán)邏輯回歸訓(xùn)練，給前期產(chǎn)生的候選集再評(píng)分，評(píng)分較高的K個(gè)項(xiàng)目返回給用戶或通過協(xié)同過濾實(shí)現(xiàn)個(gè)性化推薦^[8-10]。圖3為排序生成結(jié)構(gòu)圖。

    設(shè)定部分Softmax分類過程：首先，對(duì)于候選生成集或排序生成列表的訓(xùn)練過程，通過對(duì)負(fù)樣本類別采用實(shí)際類別計(jì)算將數(shù)量減小到數(shù)千；其次，在推薦階段，不計(jì)Softmax歸一化，將項(xiàng)目評(píng)分轉(zhuǎn)化為點(diǎn)積空間的最近鄰尋找或協(xié)同過濾根據(jù)相關(guān)度計(jì)算；最后，選取與用戶U相關(guān)度最高的K項(xiàng)作為候選集或排序列表，然后通過協(xié)同過濾個(gè)性化推薦，把信息推薦給用戶。

1.3 多用戶—項(xiàng)目模型

    基于多用戶、多項(xiàng)目的多源異構(gòu)特征結(jié)合兩次深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，從而實(shí)現(xiàn)個(gè)性化推薦。其實(shí)現(xiàn)思想為：首先，將原始特征值向量化后映射為用戶、項(xiàng)目?jī)蓚€(gè)通道；然后利用深度神經(jīng)網(wǎng)絡(luò)模型把用戶、項(xiàng)目信息向量映射到一個(gè)隱空間；最后，通過評(píng)估相似度(如余弦相似度法)把隱空間的用戶、項(xiàng)目進(jìn)行相關(guān)度等排名、匹配，從而實(shí)現(xiàn)精準(zhǔn)、個(gè)性化推薦。圖4為多用戶-項(xiàng)目DNN(Deep Neural Network)模型結(jié)構(gòu)^[11-12]。

    在用戶視角，利用其瀏覽歷史、搜索(Search tokens)、位置信息、二值性(登錄與否、性別)和連續(xù)性(年齡)、觀看時(shí)長(zhǎng)等作為源特征值輸入x_u，然后通過深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型學(xué)習(xí)輸出隱表示y_u。在項(xiàng)目視角，利用項(xiàng)目的描述、標(biāo)簽、類型等作為源特征值輸入x_i，通過深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型學(xué)習(xí)輸出隱表示y_i，其中模型擁有多個(gè)用戶、項(xiàng)目，分別為m、N。用戶視角DNN模型為f_u(x_u，w_u)，第i個(gè)項(xiàng)目視角DNN模型為f_i(x_i，w_i)。若擁有M個(gè)樣本{(x_u，j，x_a，j)}，0≤j≤M，(x_u，j，x_a，j)是用戶u與項(xiàng)目a的交互，利用用戶、項(xiàng)目的擬合交互記錄進(jìn)行調(diào)參學(xué)習(xí)：

    通過模型訓(xùn)練、學(xué)習(xí)之后獲得的用戶隱表示y_u與項(xiàng)目隱表示y_i，利用在隱空間中計(jì)算用戶與項(xiàng)目的相關(guān)度、排名，選擇相關(guān)度排序較高的k項(xiàng)目以及源數(shù)據(jù)庫(kù)協(xié)同過濾實(shí)現(xiàn)精準(zhǔn)、個(gè)性化推薦。

1.4 特征值向量化

    特征值向量化是通過詞組嵌入，將特制文本映射到w維空間向量。首先，把用戶、項(xiàng)目所有相關(guān)聯(lián)特征值分別合并，并對(duì)特征值量化為評(píng)分?jǐn)?shù)據(jù)然后求其平均值，即對(duì)多源異構(gòu)原始數(shù)據(jù)進(jìn)行評(píng)分式數(shù)據(jù)處理及歸一化。

    (1)用戶特征數(shù)據(jù)為：

1.5 全連接層

    全連接層(隱層)輸入數(shù)據(jù)為用戶、項(xiàng)目源特征值向量化后的值，設(shè)隱含層共m個(gè)神經(jīng)元，通過隱含層ReLU激活函數(shù)處理后，獲得向量u_i，就是用戶user_i隱特征值，同理，項(xiàng)目item_j的隱特征值向量為v_j，計(jì)算過程如下：

1.6 矩陣分解

    最后，利用Adam深度學(xué)習(xí)優(yōu)化方式對(duì)預(yù)測(cè)與真實(shí)評(píng)分進(jìn)行擬合^[13]，對(duì)于一些擁有評(píng)分的項(xiàng)目，使預(yù)測(cè)最大可能接近真實(shí)，由此學(xué)習(xí)推薦，對(duì)新物品實(shí)現(xiàn)個(gè)性化推薦(未評(píng)分項(xiàng)目預(yù)測(cè)真實(shí)評(píng)分無(wú)限接近預(yù)測(cè)值)。

2 實(shí)驗(yàn)仿真及分析

2.1 實(shí)驗(yàn)環(huán)境

    算法性能分析的實(shí)驗(yàn)環(huán)境以Windows Server2012 R2操作系統(tǒng)為實(shí)驗(yàn)支撐，相關(guān)配置為：Intel Xeon Silver 4116 CPU處理器，編程語(yǔ)言Python，128 GB內(nèi)存，雙GPU。編譯環(huán)境在Anaconda的Jupyter Notebook中實(shí)現(xiàn)并采用MATLAB進(jìn)行仿真。

2.2 數(shù)據(jù)集合

    本文通過2個(gè)真實(shí)、實(shí)時(shí)數(shù)據(jù)集，對(duì)深度神經(jīng)網(wǎng)絡(luò)融合協(xié)同過濾推薦模型進(jìn)行評(píng)估，數(shù)據(jù)集分別為Amazon Movies and TV(AMT)評(píng)論評(píng)分與Amazon Clothing(AC)視頻評(píng)論、評(píng)分。數(shù)據(jù)包括用戶ID、物品ID及用戶評(píng)論、評(píng)分。評(píng)分值為1~5，值越大用戶喜好度越高。同時(shí)，實(shí)驗(yàn)數(shù)據(jù)按需求進(jìn)行訓(xùn)練集TrainSet與測(cè)驗(yàn)集TestSet劃分，且二者沒有交集。

2.3 評(píng)價(jià)標(biāo)準(zhǔn)

    本文提出的深度神經(jīng)網(wǎng)絡(luò)融合協(xié)同過濾推薦模型通過用戶與項(xiàng)目的各類歷史記錄中抽取隱特征，然后對(duì)特征值進(jìn)行學(xué)習(xí)預(yù)判、排序。因此本文應(yīng)用均方根誤差(RMSE)作為評(píng)價(jià)此模型的指標(biāo)，通過學(xué)習(xí)特征模型與真實(shí)特征計(jì)算偏差，并求平方，然后與預(yù)測(cè)數(shù)據(jù)量N做比值平方根，計(jì)算公式如下：

2.4 實(shí)驗(yàn)對(duì)比

    實(shí)驗(yàn)通過3個(gè)有效模型進(jìn)行比較，分別為Probabilistic Matrix Factorization(PMF)、LibMF和DNNMF。

2.5 執(zhí)行時(shí)間對(duì)比分析

    深度神經(jīng)網(wǎng)絡(luò)(DNN)推薦算法與傳統(tǒng)協(xié)同過濾(CF)運(yùn)行時(shí)間對(duì)比：實(shí)驗(yàn)處理數(shù)據(jù)為AMT、AC真實(shí)數(shù)據(jù)，大小為1.88 GB。深度神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)為1 024個(gè)，隱含層18個(gè)，輸出節(jié)點(diǎn)1 024個(gè)，Spark集群節(jié)點(diǎn)為3，比較深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練與傳統(tǒng)協(xié)同過濾處理數(shù)據(jù)集的耗時(shí)。實(shí)驗(yàn)結(jié)果如圖5所示，其中user表示用戶測(cè)試數(shù)據(jù)集耗時(shí)，item表示商品測(cè)試數(shù)據(jù)集耗時(shí)。顯然，DNN執(zhí)行效率更高。

2.6 實(shí)驗(yàn)結(jié)果與分析

    實(shí)驗(yàn)在2個(gè)真實(shí)數(shù)據(jù)集下通過本文提出的MV-CFi-DNN模型進(jìn)行計(jì)算評(píng)估，同時(shí)用RMSE來(lái)對(duì)模型進(jìn)行評(píng)估預(yù)測(cè)，在相同實(shí)驗(yàn)環(huán)境與同一數(shù)據(jù)前提下，將MV-CFi-DNN與PMF、LibMF做比較分析。

    參數(shù)設(shè)置為：用戶、項(xiàng)目特征值權(quán)重分別為α=1，β=0.5，MV-CFiDNN模型學(xué)習(xí)率為l_r=0.000 65，用戶、項(xiàng)目隱特征正則化為λ_user=λ_item=λ，深度神經(jīng)網(wǎng)絡(luò)神經(jīng)元數(shù)為1 026個(gè)。

    為了將MV-CFiDNN模型與PMF、LibMF模型對(duì)比，把2個(gè)真實(shí)數(shù)據(jù)集隨機(jī)分為80%的TrainSet與20%的TestSet，且兩者沒有交集，同時(shí)把TestSet中的20%數(shù)據(jù)集隨機(jī)用于驗(yàn)證，用來(lái)調(diào)整模型參數(shù)。

    從圖6可知，通過在2個(gè)真實(shí)數(shù)據(jù)集中測(cè)試后，PMF、LibMF的RMSE值相差不大，但與MV-CFiDNN模型的RMSE值有一定差異，表明深度神經(jīng)網(wǎng)絡(luò)融合多用戶-項(xiàng)目、協(xié)同過濾模型對(duì)于特征值抽取有很好效果。通過實(shí)驗(yàn)結(jié)果可以看出，本文提出的深度神經(jīng)網(wǎng)絡(luò)融合多用戶-項(xiàng)目協(xié)同過濾模型(MV-CFiDNN)的RMSE值與PMF、LibMF模型比較，都有下降，說明MV-CFiDNN模型能夠解決傳統(tǒng)算法模型的稀疏性、新物品等問題。

3 結(jié)束語(yǔ)

    本文通過深度神經(jīng)網(wǎng)絡(luò)融合協(xié)同過濾，提出了MV-CFiDNN模型，該模型首先對(duì)原數(shù)據(jù)庫(kù)進(jìn)行深度神經(jīng)網(wǎng)絡(luò)結(jié)合協(xié)同過濾個(gè)性化進(jìn)行學(xué)習(xí)、提取特征值然后生成候選集，再對(duì)候選集進(jìn)行二次學(xué)習(xí)、提取等生成排序集。產(chǎn)生候選集與排序集過程的深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法包括輸入層、隱含層及輸出層，其中輸入層是對(duì)輸入特征值進(jìn)行向量化后與用戶、項(xiàng)目權(quán)重內(nèi)積傳輸給隱含層，隱含層根據(jù)接收到的值進(jìn)行調(diào)參、重置等神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，然后學(xué)習(xí)、提取的特征值傳遞給輸出層。通過計(jì)算得到預(yù)測(cè)值與真實(shí)值擬合。

    未來(lái)研究可以通過多種神經(jīng)網(wǎng)絡(luò)結(jié)合更多基礎(chǔ)推薦模型，以便使系統(tǒng)實(shí)現(xiàn)智能且符合人為思想的精準(zhǔn)、個(gè)性化推薦。

參考文獻(xiàn)

[1] PENG Y，ZHU W，ZHAO Y，et al.Cross-media analysis and reasoning：advances and directions[J].Frontiers of Information Technology & Electronic Engineering，2017，18(1)：44-57.

[2] COVINGTON P，ADAMS J，SARGIN E.Deep neural networks for youtube recommendations[C].Proceedings of the10th ACM Conference on Recommender Systems.ACM，2016：191-198.

[3] LI P，WANG Z，REN Z，et al.Neural rating regression with abstractive tips generation for recommendation[Z].2017.

[4] SONG Y，ELKAHKY A M，HE X.Multi-rate deep learning for temporal recommendation[C].Proceedings of the 39th International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM，2016：909-912.

[5] VASILE F，SMIRNOVA E，CONNEAU A.Meta-Prod2Vec：product embeddings using side-information for recommendation[C].ACM Conference on Recommender Systems.ACM，2016：225-232.

[6] HSIEH C K，YANG L，CUI Y，et al.Collaborative metric learning[C].Proceedings of the 26th International Conference on World Wide Web.International World Wide Web Conferences Steering Committee，2017：193-201.

[7] WANG X，HE X，NIE L，et al.Item silk road: recommending items from information domains to social users[Z].2017.

[8] ROY S，GUNTUKU S C.Latent factor representations for cold-start video recommendation[C].Proceedings of the 10th ACM Conference on Recommender Systems.ACM，2016：99-106.

[9] ZHENG L，NOROOZI V，YU P S.Joint deep modeling of users and items using reviews for recommendation[C].Proceedings of the Tenth ACM International Conference on Web Search and Data Mining.ACM，2017：425-434.

[10] EBESU T，F(xiàn)ANG Y.Neural citation network for context-aware citation recommendation[C].International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM，2017：1093-1096.

[11] Zhang Qi，Wang Jiawen，Huang Haoran，et al.Hashtag recommendation for multimodal microblog using co-attention network[C].IJCAI2017，2017.

[12] WEI J，HE J，CHEN K，et al.Collaborative filtering and deep learning based recommendation system for cold start items[J].Expert Systems with Applications，2017，69：29-39.

[13] WANG S，WANG Y，TANG J，et al.What your images reveal: exploiting visual contents for point-of-interest recommendation[C].Proceedings of the 26th International Conference on World Wide Web.International World Wide Web Conferences Steering Committee，2017：391-400.

作者信息:

字云飛，李業(yè)麗，孫華艷

(北京印刷學(xué)院 信息工程學(xué)院，北京102600)