李衛(wèi)疆 鄭雅民

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院 云南 昆明 650000)

0 引 言

隨著互聯(lián)網(wǎng)的飛速發(fā)展，推薦系統(tǒng)得到人們?cè)絹?lái)越多的關(guān)注，提供有效的用戶個(gè)性化推薦是目前研究的熱點(diǎn)問(wèn)題，通過(guò)對(duì)用戶歷史行為的分析，預(yù)測(cè)用戶偏好。近年來(lái)，結(jié)合用戶社交網(wǎng)絡(luò)的推薦算法目前已經(jīng)得到廣泛的應(yīng)用，TidalTrust通過(guò)在信任網(wǎng)絡(luò)中找到從用戶到每個(gè)其他用戶的最短路徑，然后將每個(gè)用戶的信任值聚合到與A直接相鄰的用戶進(jìn)行推薦[1]。Li等基于奇異值分解的方法，根據(jù)人際關(guān)系中的六度分隔理論填充用戶信任矩陣，再通過(guò)用戶之間的信任度進(jìn)行相關(guān)推薦[2]。用戶的社交網(wǎng)絡(luò)不僅可以有效緩解推薦中冷啟動(dòng)的問(wèn)題，還可以通過(guò)好友推薦增加推薦的信任度。

但在社交網(wǎng)絡(luò)中，好友關(guān)系不是基于共同興趣產(chǎn)生的，用戶好友的興趣往往和用戶的興趣不一致。同時(shí)，信任網(wǎng)絡(luò)通常是一組不相交的子圖，信任無(wú)法從一個(gè)子圖傳播到另一個(gè)子圖上，如果一個(gè)項(xiàng)目沒(méi)有被子圖中的任何用戶評(píng)分，那么它就不會(huì)被推薦給子圖中有可能感興趣的用戶。因此，僅僅基于用戶之間的信任關(guān)系進(jìn)行推薦會(huì)存在項(xiàng)目的覆蓋問(wèn)題。同時(shí)，推薦算法的覆蓋率和準(zhǔn)確率存在內(nèi)在的折中，在提高推薦覆蓋率的同時(shí)會(huì)降低推薦的準(zhǔn)確率，反之亦然。

為此，我們提出了一種融合項(xiàng)目流行度和用戶信任關(guān)系的PopTruMF算法。PopTruMF算法利用矩陣分解的傳遞性，將用戶的信任關(guān)系與項(xiàng)目評(píng)分視為同一層級(jí)，在矩陣分解的過(guò)程中，項(xiàng)目和信任關(guān)系發(fā)生混合，使得信任傳遞和評(píng)分預(yù)測(cè)同時(shí)發(fā)生；同時(shí)PopTruMF算法根據(jù)項(xiàng)目的流行度，對(duì)用戶評(píng)分項(xiàng)目和未評(píng)分項(xiàng)目分別進(jìn)行加權(quán)處理，在保證了準(zhǔn)確率的基礎(chǔ)上，有效改善了以上方法的覆蓋率。本文的主要?jiǎng)?chuàng)新點(diǎn)在于：

(1) 在基于信任網(wǎng)絡(luò)的推薦算法中，提出在不相交的信任網(wǎng)絡(luò)中進(jìn)行推薦。

(2) 在基于項(xiàng)目的流行度的推薦算法中，提出項(xiàng)目流行度對(duì)用戶評(píng)分項(xiàng)目和未評(píng)分項(xiàng)目有不同程度的影響。

(3) 本文在Epinions數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明PopTruMF算法在大幅度改善推薦覆蓋率的同時(shí)，保證了推薦的準(zhǔn)確率，能夠給于用戶更好的推薦結(jié)果。

1 相關(guān)工作

1.1 矩陣分解

(1)

式中：w0代表缺失數(shù)據(jù)賦予的統(tǒng)一權(quán)重。

1.2 信任網(wǎng)絡(luò)

美國(guó)著名的尼爾森調(diào)查表明83%的用戶更愿意相信朋友對(duì)他們的推薦，因此，基于信任關(guān)系的推薦可以更好地模擬現(xiàn)實(shí)社會(huì)。信任網(wǎng)絡(luò)是基于信任傳遞構(gòu)建的有向圖，通過(guò)使用用戶之間的信任關(guān)系和用戶的歷史行為數(shù)據(jù)來(lái)預(yù)測(cè)評(píng)分，不僅可以提高推薦系統(tǒng)的推薦質(zhì)量，還可以增加用戶對(duì)系統(tǒng)的信任度[2,4-6]。

本文構(gòu)建了一個(gè)簡(jiǎn)單的信任網(wǎng)絡(luò)實(shí)例，如圖1所示，其中，節(jié)點(diǎn)代表用戶，邊代表用戶之間的信任關(guān)系。信任傳遞是信任網(wǎng)絡(luò)的一個(gè)重要特征，用戶可以通過(guò)具有直接信任關(guān)系的用戶作為紐帶傳遞給具有間接信任關(guān)系的用戶。如圖1所示，用戶u1對(duì)項(xiàng)目i2、i3有歷史評(píng)分，用戶u2對(duì)項(xiàng)目i1、i2、i3、有歷史評(píng)分，用戶u3對(duì)項(xiàng)目i2、i3、i4有歷史評(píng)分。因?yàn)橛脩魎1和用戶u3在相同的信任網(wǎng)絡(luò)中，通過(guò)信任傳遞我們可以將用戶u3偏好的項(xiàng)目i4推薦給用戶u1。但由于左側(cè)信任網(wǎng)絡(luò)子圖中沒(méi)有用戶節(jié)點(diǎn)對(duì)項(xiàng)目i4進(jìn)行評(píng)分，則不能通過(guò)信任關(guān)系將項(xiàng)目i4推薦給用戶u1。

圖1 不相交的用戶信任網(wǎng)絡(luò)實(shí)例

1.3 項(xiàng)目流行度及數(shù)據(jù)稀疏問(wèn)題

類似于頭條新聞、微博熱榜等根據(jù)PV、UV、日均PV或分享率等數(shù)據(jù)，按某種熱度排序推薦給用戶，很多應(yīng)用也以熱門(mén)排行榜、最熱賣排行榜、平均用戶評(píng)分等形式展示當(dāng)下流行的項(xiàng)目。項(xiàng)目被用戶評(píng)分的次數(shù)越多，代表項(xiàng)目流行度越高；反之，則越低。作為推薦系統(tǒng)的新用戶，或在人很難做出選擇的時(shí)候，項(xiàng)目的歷史評(píng)分確實(shí)是很有用的參考信息，且人們通常愿意接受流行項(xiàng)目的推薦[6-7]。基于項(xiàng)目流行度的推薦算法，可以深度挖掘用戶偏好，給予不同用戶個(gè)性化的推薦[9]。

郝立燕等基于TopN推薦預(yù)測(cè)提出，流行度越高的項(xiàng)目，體現(xiàn)用戶興趣的信息越少，相反，流行度越低的項(xiàng)目，體現(xiàn)用戶興趣的信息越可靠，提高了冷門(mén)項(xiàng)目的影響力[8]。但是用戶-項(xiàng)目評(píng)分矩陣中評(píng)分項(xiàng)目一般不超過(guò)項(xiàng)目總數(shù)的1%，更多的是缺失的數(shù)據(jù)，因此，解決數(shù)據(jù)稀疏問(wèn)題通常是提高推薦質(zhì)量的關(guān)鍵。文獻(xiàn)[9]將這些缺失的數(shù)據(jù)統(tǒng)一假定為無(wú)關(guān)用戶偏好進(jìn)行建模，極大地減少了建模的工作量，然而這種方法是不現(xiàn)實(shí)的，會(huì)降低模型的預(yù)測(cè)性。在此假設(shè)的基礎(chǔ)上，文獻(xiàn)[10]將缺失的數(shù)據(jù)賦予統(tǒng)一的權(quán)重，然后在缺失數(shù)據(jù)上設(shè)置顯式先驗(yàn)，當(dāng)新的用戶或項(xiàng)目評(píng)分進(jìn)入系統(tǒng)時(shí)，可以及時(shí)更新因子，給與符合最新用戶偏好的推薦，但這樣的假設(shè)限制了推薦算法在實(shí)際應(yīng)用中的可擴(kuò)展性。針對(duì)以上問(wèn)題，參考現(xiàn)有的推薦方法，本文提出了PopTruMF模型。

2 PopTruMF模型

本文首先合并用戶-項(xiàng)目評(píng)分矩陣和用戶-用戶信任關(guān)系矩陣來(lái)構(gòu)建模型；然后，根據(jù)項(xiàng)目流行度的加權(quán)策略構(gòu)建目標(biāo)函數(shù)；最后，通過(guò)矩陣分解的方式同時(shí)傳遞信任和推薦項(xiàng)目。

2.1 TruMF算法

2.1.1基于項(xiàng)目節(jié)點(diǎn)傳遞信任

在信任網(wǎng)絡(luò)中，由于好友關(guān)系不是基于共同興趣產(chǎn)生的，用戶好友的興趣往往和用戶的興趣不一致，而不存在信任關(guān)系的用戶卻具有相似的用戶偏好。如圖2所示，用戶u2和用戶u3在不同的信任網(wǎng)絡(luò)，但對(duì)項(xiàng)目i2、i3都有顯示反饋，本文認(rèn)為用戶u2和用戶u3具有相似的用戶偏好，只不過(guò)他們不認(rèn)識(shí)對(duì)方。

圖2 相交的用戶信任網(wǎng)絡(luò)實(shí)例

本文將項(xiàng)目作為節(jié)點(diǎn)引入信任網(wǎng)絡(luò)，相似的用戶偏好作為不同信任網(wǎng)絡(luò)子圖之間的紐帶，用戶可以通過(guò)項(xiàng)目節(jié)點(diǎn)連接不同的信任網(wǎng)絡(luò)子圖。此時(shí)，信任網(wǎng)絡(luò)將不再是原始的信任網(wǎng)絡(luò)，一個(gè)用戶節(jié)點(diǎn)具有連接用戶信任關(guān)系和用戶相似偏好兩種不同的邊。用戶u2和用戶u3通過(guò)相似的用戶偏好建立連接，項(xiàng)目i1通過(guò)項(xiàng)目節(jié)點(diǎn)從用戶u2傳遞給用戶u3，再通過(guò)信任傳遞從用戶u3最終推薦給用戶u1。

2.1.2 基于矩陣分解傳遞信任

為了解決信任網(wǎng)絡(luò)脫節(jié)的問(wèn)題，首先，通過(guò)用戶-項(xiàng)目評(píng)分和用戶-用戶信任關(guān)系分別構(gòu)建兩個(gè)矩陣，如圖3(a)、(b)所示。然后，通過(guò)合并這兩個(gè)矩陣來(lái)構(gòu)建模型，如圖3(c)所示。在模型中，項(xiàng)目評(píng)分和用戶之間的信任關(guān)系視為同一層級(jí)，通過(guò)矩陣分解的方式可以同時(shí)傳遞信任和推薦項(xiàng)目。也就是說(shuō)，給定K個(gè)潛在特征向量，每個(gè)用戶通過(guò)這K個(gè)特征向量對(duì)每個(gè)項(xiàng)目進(jìn)行評(píng)分，同時(shí)，每個(gè)用戶通過(guò)相同的K個(gè)特征向量來(lái)信任其他的用戶。

(a) 用戶-項(xiàng)目 (b) 用戶-用戶

(c) 用戶-項(xiàng)目-用戶圖3 合并評(píng)分矩陣和信任關(guān)系矩陣

如圖3(c)所示，用戶u2和用戶u3之間不存在信任關(guān)系，但對(duì)項(xiàng)目i2和項(xiàng)目i3都具有顯示反饋，本文認(rèn)為用戶u2和用戶u3之間具有相同的特征向量。通過(guò)相同的特征向量，用戶u2可以將感興趣的項(xiàng)目i1推薦給用戶u3，再通過(guò)用戶之間的信任關(guān)系，最終用戶u3可以將項(xiàng)目i1推薦給用戶u1，從而解決了個(gè)性化推薦中廣泛存在的信任網(wǎng)絡(luò)脫節(jié)的問(wèn)題。

2.2 項(xiàng)目流行度的加權(quán)策略

隨著Web 2.0的發(fā)展，在所有其他因素相同的情況下，流行度較高的項(xiàng)目更有可能被用戶認(rèn)識(shí)。本文認(rèn)為，項(xiàng)目流行度對(duì)用戶評(píng)分項(xiàng)目和未評(píng)分項(xiàng)目分別有不同程度的影響。

2.2.1項(xiàng)目流行度對(duì)未評(píng)分項(xiàng)目的影響

在推薦系統(tǒng)中，缺失數(shù)據(jù)(未評(píng)分項(xiàng)目)是負(fù)反饋和未知反饋的混合物，然而區(qū)分這兩種情況是眾所周知的困難。文獻(xiàn)[12]提出，在缺失數(shù)據(jù)中，流行的項(xiàng)目更可能是用戶的負(fù)反饋而非未知的反饋，因此，在模型訓(xùn)練的過(guò)程中應(yīng)該給予更高的權(quán)重。本文引入文獻(xiàn)[11]中的一個(gè)權(quán)重因子：

ci=c0×item_pop(i)

(2)

(3)

2.2.2項(xiàng)目流行度對(duì)評(píng)分項(xiàng)目的影響

隨著互聯(lián)網(wǎng)的發(fā)展，通過(guò)網(wǎng)絡(luò)傳播、媒體曝光、社區(qū)討論等方式，流行度較高的項(xiàng)目，更有可能被用戶認(rèn)識(shí)，因此會(huì)獲得更多偏離用戶個(gè)人偏好的評(píng)分。對(duì)于矩陣中評(píng)分項(xiàng)目的數(shù)據(jù)，文獻(xiàn)[8]認(rèn)為項(xiàng)目的流行度越高，用戶評(píng)分體現(xiàn)用戶偏好的信息越少，相反，項(xiàng)目的流行度越低，用戶評(píng)分體現(xiàn)用戶偏好的信息越可靠。參考文獻(xiàn)[8]，本文提出了一個(gè)與項(xiàng)目流行度相關(guān)的誤差權(quán)重因子：

(4)

式中：r=wuirui表示體現(xiàn)用戶偏好的項(xiàng)目評(píng)分。fi最小為1，此時(shí)wui為最大值1。fi越低，wui越大，用戶項(xiàng)目評(píng)分rui越接近用戶偏好評(píng)分r；反之，wui越小，用戶項(xiàng)目評(píng)分rui越偏離用戶偏好評(píng)分r。

2.3 PopTruMF算法

根據(jù)以上分析，本文設(shè)計(jì)了一個(gè)基于項(xiàng)目流行度的目標(biāo)函數(shù)：

(5)

首先，本文對(duì)用戶項(xiàng)目評(píng)分根據(jù)項(xiàng)目流行度進(jìn)行預(yù)處理，得到更接近用戶偏好的評(píng)分r。式(5)中: 第一項(xiàng)代表用戶偏好評(píng)分預(yù)測(cè)的誤差，在顯示評(píng)分預(yù)測(cè)中廣泛使用[12]；第二項(xiàng)代表缺失數(shù)據(jù)中負(fù)反饋對(duì)評(píng)分預(yù)測(cè)的影響[11]；第三項(xiàng)代表一個(gè)正則項(xiàng)來(lái)防止目標(biāo)函數(shù)的過(guò)擬合。為了獲得目標(biāo)函數(shù)的最小值，本文通過(guò)在pik、qku上使用梯度下降的方法訓(xùn)練模型:

(6)

(7)

(8)

(9)

基于項(xiàng)目流行度的加權(quán)策略，本文模型訓(xùn)練如算法1所示：

算法1Matrix Factorization

輸入：合并矩陣R，潛在特征向量K，預(yù)測(cè)評(píng)分的誤差權(quán)重wui，缺失數(shù)據(jù)的權(quán)重c0

輸出：用戶潛在特征矩陣P，項(xiàng)目潛在特征矩陣Q

1. Randomly initializePandQ;

2. for (u,i)∈Rdorui=puqi;

3. while Stopping criteria is not

4. //Update user、item factors

5. fori←1 to len (R)

6. foru←1 to len (R1)

7. fork←1 toK

8.wui,ci←Eq.(2,3,4);

11. fori← 1 to len (R)

12. foru← 1 to len (Ri)

14. fork← 1 toK

16. Ife<0.001

17. break;

18. ReturnP,Q·T;

預(yù)測(cè)評(píng)分由模型訓(xùn)練得到的用戶特征向量pu和項(xiàng)目特征向量qi的內(nèi)積產(chǎn)生。在預(yù)測(cè)評(píng)分構(gòu)成的新矩陣中，由于信任矩陣部分通常被認(rèn)為是算法的次要結(jié)果，本文對(duì)此先進(jìn)行過(guò)濾，再生成最終的推薦列表。本文推薦算法的基本框架如圖4所示，主要輸入是用戶-項(xiàng)目評(píng)分矩陣、用戶-用戶信任矩陣和項(xiàng)目的流行權(quán)重。該算法的主要步驟是合并矩陣、引入項(xiàng)目流行度的加權(quán)策略、模型訓(xùn)練、預(yù)測(cè)評(píng)分、過(guò)濾信任矩陣、生成推薦列表。

圖4 PopTruMF模型基本框架

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置

數(shù)據(jù)集 本文采用公開(kāi)的Epinions數(shù)據(jù)集，其中包括40 163個(gè)用戶對(duì)139 738個(gè)項(xiàng)目的664 824條評(píng)分，評(píng)分?jǐn)?shù)值在1～5之間，用戶之間的信任信息包括487 181條，數(shù)據(jù)的稀疏度為0.011 845 84%。由于原始數(shù)據(jù)集的高稀疏性，使得推薦算法在模型訓(xùn)練的過(guò)程中存在一定的難度。例如，一半以上的用戶只有一個(gè)評(píng)論。對(duì)此，本文按照文獻(xiàn)[13]的方法先進(jìn)行數(shù)據(jù)過(guò)濾，使得本實(shí)驗(yàn)中數(shù)據(jù)的稀疏度為99.89%。

(1) 度量方法 我們采用均方根誤差(RMSE)、準(zhǔn)確率(precison)、覆蓋率(coverage)、F值四個(gè)性能指標(biāo)評(píng)估推薦算法的推薦質(zhì)量。

(10)

(11)

式中：I表示所有物品的集合，coverage表示推薦列表中的物品占總物品數(shù)的比例。其中，RMSE的值越小，代表推薦效果越好。由于實(shí)際評(píng)分和預(yù)測(cè)評(píng)分之間最大差值是5-1=4，本文算法的最差精度為：

(12)

為了更好地評(píng)估算法的推薦質(zhì)量，本文引入F值指標(biāo)，將準(zhǔn)確率和覆蓋率結(jié)合在一個(gè)數(shù)字度量中。其中，F(xiàn)值越大，代表推薦算法的總體效果越好。

(13)

(2) 對(duì)比方法 將本文算法與下面的算法進(jìn)行比較,評(píng)估各算法的性能。

SocialMF算法[4]基于矩陣分解的方法，結(jié)合用戶之間的信任關(guān)系，學(xué)習(xí)用戶和項(xiàng)目的潛在特征向量，提出每個(gè)用戶的特征向量依賴于社交網(wǎng)絡(luò)中他直接鄰居特征向量的加權(quán)平均。

SocialSVD算法[2]基于奇異值分解的方法，根據(jù)人際關(guān)系中的六度分隔理論計(jì)算用戶之間信任度，填充用戶信任矩陣，提高了預(yù)測(cè)的準(zhǔn)確率。

TrustWalker算法[5]結(jié)合用戶之間的信任關(guān)系，在信任網(wǎng)絡(luò)上隨機(jī)游走以預(yù)測(cè)項(xiàng)目評(píng)分。如果在特定的深度閾值內(nèi)未找到該項(xiàng)目，則基于相似的項(xiàng)目預(yù)測(cè)項(xiàng)目評(píng)分。

3.2 實(shí)驗(yàn)結(jié)果及分析

本文采用上述的Epinions數(shù)據(jù)集，依次對(duì)SocialMF算法、SocialSVD算法、TrustWalker算法和本文提出的合并矩陣TruMF算法以及完整的PopTruMF算法做對(duì)比實(shí)驗(yàn)。在實(shí)驗(yàn)中，我們?cè)O(shè)置潛在特征向量K=25、β=0.01，且所有方法都是用python實(shí)現(xiàn)的，以便公平比較所有方法。實(shí)驗(yàn)結(jié)果如表1所示。

表1 TruMF算法與各算法實(shí)驗(yàn)結(jié)果

如表1所示，本文提出的TruMF算法的F值最大，推薦效果最好。在現(xiàn)有的推薦算法中，TrustWalker算法是推薦結(jié)果覆蓋范圍最廣的方法之一，高達(dá)95.4%，而本文的TruMF算法相比TrustWalker算法項(xiàng)目覆蓋率略有提高，約98.7%。TruMF算法的覆蓋率同樣也高于其他兩種算法，因?yàn)镾ocialMF算法和SocialSVD算法都是基于信任網(wǎng)絡(luò)中的信任傳遞進(jìn)行推薦，因此存在信任網(wǎng)絡(luò)脫節(jié)的問(wèn)題。但在準(zhǔn)確率方面，TruMF算法分別低于SocialMF算法、SocialSVD算法和TrustWalker算法。

本文結(jié)合項(xiàng)目流行度加權(quán)策略，在TruMF算法的基礎(chǔ)上作出進(jìn)一步優(yōu)化，提出PopTruMF算法。其中c0代表缺失數(shù)據(jù)的總權(quán)重，?控制項(xiàng)目流行度對(duì)以上權(quán)重的影響。首先，本文將缺失數(shù)據(jù)賦予的統(tǒng)一權(quán)重，即?=0。如圖5所示，當(dāng)c0取128左右時(shí)，RMSE最小，達(dá)到預(yù)測(cè)準(zhǔn)確性的峰值，而當(dāng)c0變小或設(shè)置的太大時(shí)，RMSE的值顯著升高，這說(shuō)明在TruMF算法中適當(dāng)考慮缺失數(shù)據(jù)的必要性。

圖5 c0(?=0)

然后，我們將c0設(shè)置為128，來(lái)觀察項(xiàng)目流行度對(duì)推薦效果的影響。如圖6所示，隨著α的增加，RMSE的值會(huì)再次減小，到達(dá)一個(gè)最優(yōu)值后又會(huì)大幅度升高，這說(shuō)明在TruMF算法中適當(dāng)考慮項(xiàng)目流行度的有效性。本文設(shè)置c0=128、?=0.4，同時(shí)引入項(xiàng)目流行度的誤差權(quán)重因子wui，適度增加?，會(huì)達(dá)到更好的預(yù)測(cè)效果。如圖6所示，根據(jù)項(xiàng)目流行度對(duì)用戶評(píng)分項(xiàng)目和未評(píng)分項(xiàng)目分別進(jìn)行加權(quán)處理，可以更有效提高推薦算法的準(zhǔn)確率。

圖6 ?(c0=128)

PopTruMF算法與各算法的實(shí)驗(yàn)結(jié)果如表2所示?？梢钥闯?，PopTruMF算法的F值在TruMF算法的基礎(chǔ)上得到進(jìn)一步的改善，準(zhǔn)確率和覆蓋率得到了更好的折中。與前幾種方法相比，PopTruMF算法雖然損失了5%的RMSE，但在推薦中覆蓋項(xiàng)目的范圍最廣，能夠給于用戶更好的推薦效果。

表2 PopTruMF算法與各算法實(shí)驗(yàn)結(jié)果

4 結(jié) 語(yǔ)

針對(duì)現(xiàn)有推薦算法在推薦中項(xiàng)目覆蓋范圍有限的問(wèn)題(如用戶信任網(wǎng)絡(luò)不相容、項(xiàng)目評(píng)分矩陣的高稀疏性、用戶個(gè)性化推薦存在偏差等)，本文提出了一種基于合并用戶信任關(guān)系和項(xiàng)目流行度的PopTruMF算法，并討論了如何通過(guò)信任關(guān)系將項(xiàng)目推薦給不同信任網(wǎng)絡(luò)的用戶，以及在推薦算法中考慮缺失數(shù)據(jù)和項(xiàng)目流行度的有效性。通過(guò)在Epinions上的實(shí)驗(yàn)表明，PopTruMF算法在大幅度改善推薦覆蓋率的同時(shí)，保證了推薦的準(zhǔn)確率，能夠給于用戶更好的推薦效果。

在下一步的研究中，我們將進(jìn)一步探索項(xiàng)目和用戶基于多個(gè)潛在特征對(duì)個(gè)性化推薦的影響，以及通過(guò)給與用戶實(shí)時(shí)的推薦，進(jìn)一步提升模型性能。