崔 鑫

(青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院,山東 青島 266100)

0 引 言

海川化工論壇已成為國內(nèi)最有人氣的化工領(lǐng)域問答及社交網(wǎng)站，論壇上的注冊會員數(shù)已經(jīng)超過了400萬，日均訪客超過10萬，問答帖子超過1000萬，每天產(chǎn)生的回答超過6萬。然而隨著問答社區(qū)的問題數(shù)量不斷增加，提問者和回答者之間的交互問題愈發(fā)嚴(yán)重：一方面，問答社區(qū)中存在著大量不同領(lǐng)域的問題，回答者需要耗費大量的時間篩選出自己領(lǐng)域的問題并給出相應(yīng)回答；另一方面，當(dāng)出現(xiàn)新的問題時，不能迅速與相應(yīng)的專家建立聯(lián)系，導(dǎo)致需要很長一段時間才能解決問題。長此以往，問答社區(qū)中會滯留大量的問題，導(dǎo)致社區(qū)中的用戶的滿意度、認(rèn)可度下降，不利于社區(qū)的長期發(fā)展，因此建立高效、精準(zhǔn)的問答社區(qū)的個性化推薦系統(tǒng)極其重要。

協(xié)同過濾技術(shù)是推薦系統(tǒng)中研究最多和最常用的一類算法，基本思想是根據(jù)與目標(biāo)用戶最相似的用戶對項目的評分進行推薦。然而，傳統(tǒng)的協(xié)同過濾技術(shù)存在著較大的數(shù)據(jù)稀疏性和冷啟動問題，絕大多數(shù)用戶只對少量的項目進行評級，用戶和項目的評分矩陣一般都十分稀疏，特別是對于新用戶和新項目，不存在任何歷史信息，傳統(tǒng)的協(xié)同過濾技術(shù)無法對這些問題進行處理，對推薦的準(zhǔn)確性會造成很大的影響。研究表明，利用異構(gòu)信息網(wǎng)絡(luò)[1]引入輔助信息是緩解數(shù)據(jù)稀疏性和冷啟動的一種有效的方法，它能幫助人們更好地利用各種各樣的信息，比如用戶的好友關(guān)系、圖片等，從而獲得更好的推薦效果。

基于傳統(tǒng)的協(xié)同過濾技術(shù)所存在的不足，本文的研究思路是首先對問題屬性和用戶屬性建立異構(gòu)信息網(wǎng)絡(luò)，通過基于元路徑的相似度計算方法得到多個問題與用戶的相似度矩陣，之后利用本文提出的3種融合方法將得到的問題與用戶的相似度矩陣與問題-用戶評分矩陣相融合，融合后的問題-用戶矩陣經(jīng)過矩陣分解[2]可以得到問題和用戶的潛在特征，最后使用因子分解機進行訓(xùn)練和評分預(yù)測，得到最終的推薦列表。

1 相關(guān)工作

隨著計算機技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)中的數(shù)據(jù)和信息呈爆炸式增長，人們進入信息過載的時代。如何從冗余繁雜的海量信息中尋找有價值的信息成為各個領(lǐng)域研究的熱點。自1992年出現(xiàn)了第一篇關(guān)于協(xié)同過濾的論文以來[3],推薦系統(tǒng)一直保持著很高的研究熱度,并逐漸發(fā)展成為一門獨立的學(xué)科[4]，隨著研究的深入，推薦系統(tǒng)逐漸成為解決信息過載問題的有效手段[5]。但目前推薦系統(tǒng)中存在諸多問題，如剛進入一個系統(tǒng)的新用戶沒有關(guān)于他相關(guān)的歷史信息，系統(tǒng)無法為其提供精準(zhǔn)推薦的冷啟動問題；為提供有效推薦，需要獲取用戶的歷史行為信息等涉及用戶隱私問題；如何提高推薦的多樣性和新穎性的問題[6]。在現(xiàn)實生活中用戶在網(wǎng)站上會留下很多重要信息，如何通過分析捕捉這些重要的信息來提高推薦的效果，成為了推薦系統(tǒng)的研究熱點。

目前，對信息網(wǎng)絡(luò)的研究通常假設(shè)網(wǎng)絡(luò)是同構(gòu)的，即網(wǎng)絡(luò)中的節(jié)點都是同一實體類型的對象，并且鏈接都是同一關(guān)聯(lián)類型的關(guān)系，然而，現(xiàn)實中大多數(shù)網(wǎng)絡(luò)是異構(gòu)的，即網(wǎng)絡(luò)中的節(jié)點和關(guān)系并不屬于同一類型，傳統(tǒng)的協(xié)同過濾方法就無法捕捉到真實的語義信息，而異構(gòu)信息網(wǎng)絡(luò)的出現(xiàn)，為推薦系統(tǒng)的發(fā)展提供了新的方向。異構(gòu)信息網(wǎng)絡(luò)(Heterogeneous Information Network， HIN)通過網(wǎng)絡(luò)模式指定了對象集合上的類型約束和關(guān)系約束，這些約束決定了異構(gòu)信息網(wǎng)絡(luò)是半結(jié)構(gòu)化的，對人們探索網(wǎng)絡(luò)語義起到了指導(dǎo)作用。但是國內(nèi)外基于異構(gòu)信息網(wǎng)絡(luò)的推薦還處在初級階段，文獻[7]提出了HIN中度量相關(guān)度的經(jīng)典方法HeteSim，之后基于HeteSim的研究相繼出現(xiàn)。文獻[8]中結(jié)合用戶不同的異構(gòu)信息提出了個性化推薦方法Hete-Rec。文獻[9]中首次提出了加權(quán)HIN，充分考慮了網(wǎng)絡(luò)中邊上的不同屬性值，將有權(quán)元路徑分解為有確定屬性值的原子元路徑，在一定程度上保證了元路徑語義信息的全面性。異構(gòu)網(wǎng)絡(luò)更能反映人類社會的交互活動和現(xiàn)實世界，研究基于異構(gòu)網(wǎng)絡(luò)的推薦對于滿足用戶的個性化需求和多樣化需求是十分必要的。目前，異構(gòu)信息網(wǎng)絡(luò)需要解決2個問題，一是如何在推薦時挖掘信息網(wǎng)絡(luò)中深層次的語義信息，二是如何融合異構(gòu)網(wǎng)絡(luò)的信息從而提高推薦的準(zhǔn)確性。

現(xiàn)在問答社區(qū)已經(jīng)成為人們獲取知識的重要來源，相關(guān)研究得到了大量學(xué)者的關(guān)注，同時提出了多種方法和模型。早期的問答社區(qū)專家發(fā)現(xiàn)大多使用數(shù)學(xué)統(tǒng)計的方法來進行專家排序。文獻[10]認(rèn)為用戶給出的答案越少，提出的問題越多，則他們的專業(yè)能力越低，反之亦然，基于此提出用戶提問和回答數(shù)目的比例關(guān)系的模型，并在問答社區(qū)中進行了實驗，取得了較好的效果。文獻[11]對每一個答案生成一個特征向量，描述答案的各種信息進行評級排序。這些基于統(tǒng)計的方法很容易被虛假數(shù)據(jù)所欺騙，還有一些評價指標(biāo)特征難以獲取，嚴(yán)重影響分析的效率。

近年來，在線問答社區(qū)的專家發(fā)現(xiàn)大多采用基于信息抽取和鏈接分析的方法。基于信息抽取的方法由于考慮了信息的全面性和多樣性，得到了學(xué)者的廣泛研究。文獻[12]針對問答社區(qū)的專家用戶進行研究，提出了分段話題模型。文獻[13]以LDA模型為基礎(chǔ)，提出了以LDA模型的改進模型，在問答社區(qū)中進行專家用戶發(fā)現(xiàn)研究。文獻[14]利用了LDA模型和鏈接分析方法來解決專家發(fā)現(xiàn)問題。不少學(xué)者使用基于鏈接分析的方法包括基于PageRank[15-17]和鏈路預(yù)測[18]等方法來計算用戶專家的權(quán)威度，用于問答社區(qū)的專家發(fā)現(xiàn)。

有一些混合模型也用于專家發(fā)現(xiàn)問題，綜合考慮了多種方法和影響因素對知識社區(qū)中的候選專家進行排序，影響因素包括候選專家的經(jīng)驗和權(quán)威度，方法是基于PageRank的鏈接分析[19]則同時考慮了用戶的聲譽和知識背景，文獻[20]則融合了問題標(biāo)簽和點贊信息，對LDA模型進行了改進。

綜上所述，問答社區(qū)的推薦系統(tǒng)一般只考慮了用戶和問題的部分信息，并且上面的模型大多應(yīng)用于各自的領(lǐng)域，在化工領(lǐng)域應(yīng)用較少。因此，本文構(gòu)建了一個基于異構(gòu)信息網(wǎng)絡(luò)的推薦系統(tǒng)應(yīng)用于化工領(lǐng)域的問答社區(qū)，來提高推薦的質(zhì)量。

本文的創(chuàng)新點如下：

1)本文在問答社區(qū)中對問題屬性和用戶屬性建立異構(gòu)信息網(wǎng)絡(luò)，采用基于元路徑的相似度計算方法得到問題和用戶的相似度矩陣，利用3種方法將相似度矩陣與問題-用戶評分矩陣進行融合，提高了推薦算法的可解釋性和準(zhǔn)確性。

2)提出了一種“異構(gòu)特征表示+矩陣分解+因子分解機”的框架，將異構(gòu)信息網(wǎng)絡(luò)捕捉豐富信息的能力和因子分解機的推理能力相結(jié)合。這種融合了異構(gòu)信息網(wǎng)絡(luò)的混合推薦算法，有效地緩解了傳統(tǒng)協(xié)同過濾技術(shù)中的數(shù)據(jù)稀疏性問題，提高了推薦系統(tǒng)的性能。

2 異構(gòu)信息網(wǎng)絡(luò)

2.1 信息網(wǎng)絡(luò)

信息網(wǎng)絡(luò)[21]由有向圖G=(V,E)表示，V表示網(wǎng)絡(luò)中的節(jié)點，E表示網(wǎng)絡(luò)中的邊，節(jié)點類型映射函數(shù)φ:V→A，表示每一個節(jié)點v∈V的類型屬于節(jié)點類型集合A，邊類型映射函數(shù)ψ:E→R，表示每一條邊e∈E的類型屬于邊類型集合R。若信息網(wǎng)絡(luò)中節(jié)點類型集合內(nèi)元素數(shù)量|A|>1或者邊類型集合中元素數(shù)量|R|>1，則這個信息網(wǎng)絡(luò)即為異構(gòu)信息網(wǎng)絡(luò)。

2.2 網(wǎng)絡(luò)模式

網(wǎng)絡(luò)模式[21]是異構(gòu)信息網(wǎng)絡(luò)的元模板，節(jié)點類型映射函數(shù)φ:V→A，邊類型映射函數(shù)ψ:E→R的異構(gòu)信息網(wǎng)絡(luò)G=(V,E)的網(wǎng)絡(luò)模式表示為TG=(A,R)。本文使用的用戶與問題的異構(gòu)網(wǎng)絡(luò)模式如圖1和圖2所示。

2.3 元路徑

不同于信息網(wǎng)絡(luò)，HIN中的2個節(jié)點可以通過包含著不同物理意義的不同路徑連接起來，這些路徑稱為元路徑[22]。元路徑P定義在網(wǎng)絡(luò)模式TG=(A,R)上，用元路徑連接的節(jié)點類型來表示元路徑P，具體表示為P=A1A2A3…Al+1。

圖1 用戶的異構(gòu)網(wǎng)絡(luò)模式圖

圖2 問題的異構(gòu)網(wǎng)絡(luò)模式圖

3 基于異構(gòu)信息網(wǎng)絡(luò)的推薦

本文針對海川化工論壇進行專家推薦，打算利用異構(gòu)信息網(wǎng)絡(luò)來完成專家推薦，張邦佐等在文獻[23]中提出了一種融合異構(gòu)信息網(wǎng)絡(luò)和評分矩陣的新算法，該方法在實驗上取得了良好的效果，于是本文利用其方法在海川化工論壇上構(gòu)建推薦模型并進行實驗。方法如下：

在一個有m個問題，n個用戶的的協(xié)同過濾推薦系統(tǒng)中,首先定義如下記號:

QS={q1,q2,…,qm}，其中qi表示系統(tǒng)中的問題；

US={u1,u2,…,un}，其中ui表示系統(tǒng)中的用戶；

QA={x1,x2,…,xk}，其中xi表示問題某一方面的屬性，k是問題屬性數(shù)；

UA={y1,y2,…,yt}，其中yi表示用戶某一方面的屬性，t是用戶屬性數(shù)；

Rt∈Rm×n，Rt表示問題-用戶評分矩陣，是一個m×n的矩陣。QU(i,j)∈Rm×n(0

3.1 基于元路徑的相似度計算

本文對海川化學(xué)工業(yè)論壇數(shù)據(jù)進行整合和分析，利用數(shù)據(jù)集中的評論、分?jǐn)?shù)、問題等信息構(gòu)建異構(gòu)信息網(wǎng)絡(luò)，對象類型包括:用戶節(jié)點、問題節(jié)點、答案類型節(jié)點和評論節(jié)點，關(guān)系類型包括:問題關(guān)系、分?jǐn)?shù)關(guān)系、評論關(guān)系、答案關(guān)系和隸屬關(guān)系。根據(jù)數(shù)據(jù)集中的相關(guān)信息，構(gòu)建整個數(shù)據(jù)集的異構(gòu)信息網(wǎng)絡(luò)。接下來需要做的是從網(wǎng)絡(luò)中提取有用的信息，以便提取用戶和問題之間的相關(guān)性，即計算源節(jié)點和目標(biāo)節(jié)點之間的相似性。在本文中，源節(jié)點是問題節(jié)點，目標(biāo)節(jié)點是用戶節(jié)點。利用元路徑來探索網(wǎng)絡(luò)模式信息。

計算元路徑的相似度的方法有PathSim、HeteSim等方法，由于PathSim定義了對稱元路徑這個特定情況下的相似度計算問題，因此其只能應(yīng)用于同構(gòu)網(wǎng)絡(luò)的計算之中，無法在一個非對稱路徑下衡量對象自身的發(fā)散程度。而HeteSim則解決了這個問題，其基本思想是以pairwise random walk的方式，將兩端對象的相似度定義為二者在中間某個節(jié)點相遇的概率。基于此，本文采用HeteSim的思想用于元路徑的相似度計算。

定義1(基于元路徑的相似度)如果有元路徑為P(q1q2…qk…qlql+1),其中qi表示問題的屬性實例；ri為qk到qk+1上的關(guān)系(即在圖中qk與qk+1有邊連接)。由此可以得到任意對象a、b之間的相似度，其計算公式定義如下[23]：

(1)

其中，r表示關(guān)系集合(r1r2…rl)，O(r)和I(r)分別表示關(guān)系r的出度和入度。

通過基于元路徑的相似度計算后，對于用戶來說可以得到用戶間關(guān)于屬性xi的相似度矩陣U(xi)∈Rn×n(0

3.2 評分矩陣與問題-用戶相似度矩陣的融合

對于協(xié)同過濾推薦系統(tǒng)來說，問題-用戶的評分矩陣是一個m×n的矩陣，而問題相似度矩陣是一個m×m的方陣，用戶相似度矩陣是一個n×n的方陣。因此，可以通過在問題-用戶評分矩陣左乘問題相似度矩陣的方法或者右乘用戶相似度矩陣的方法來融合，從而達到融合用戶與問題屬性的目的。3種融合方式分別為[23]：

1)融合方式1：

(問題-用戶評分矩陣)×(用戶相似度矩陣)

2)融合方式2：

(問題相似度矩陣)×(問題-用戶評分矩陣)

3)融合方式3：

(問題相似度矩陣)×(問題-用戶評分矩陣)×(用戶相似度矩陣)

經(jīng)過以上3種融合方法，可以得到多個新的問題-用戶關(guān)系矩陣QU(i,j)。

3.3 基于矩陣分解和因子分解機的推薦

傳統(tǒng)的矩陣分解方法是針對用戶-項目評分矩陣,而本文中針對的是與用戶或問題相似度矩陣融合后的矩陣QU(i,j)，記作S。融合后的矩陣S通過分解得到問題和用戶的低維特征向量表示。通過解決公式(2)的優(yōu)化問題，使得Q和U的乘積不斷接近真實矩陣，目標(biāo)函數(shù)如式(2)：

(2)

其中，λu和λq是避免過擬合的超參數(shù)。通過對Q和U采用梯度下降的方法進行多次迭代更新，它們收斂時就是分解出來的矩陣[23]。

因子分解機(Factorization Machines, FM)通過兩兩特征組合，將特征與特征之間的關(guān)聯(lián)聯(lián)系起來，構(gòu)建交叉項特征以此來提高模型的效果。FM可以對輸入數(shù)據(jù)集D=(X,y)不同特征間的交互進行分解和建模，其d階交互模型如式(3)：

(3)

其中,w表示特征的一階權(quán)值，V表示二階權(quán)重來模擬特征之間的交互，ω0是全局偏置。是大小為k的2個向量的點積，k表示分解得到的隱因子向量維數(shù)。參數(shù)w，V可以通過最小均方損失來學(xué)習(xí)，公式如下：

(4)

針對FM模型的優(yōu)化學(xué)習(xí)算法有很多，本文采用隨機梯度下降方法進行多次迭代，最終得到提問者對于專家的評分，對這些評分進行Top-N排序，來完成專家推薦。

4 實 驗

4.1 數(shù)據(jù)集

本文從海川化工論壇中爬取了幾百萬個問答對，海川化工技術(shù)論壇日均訪客10萬，擁有400萬注冊會員，成員來自于國內(nèi)各大設(shè)計院、各個高校、各個地域的精英,這是一個很好地對化工領(lǐng)域的科研人員進行專業(yè)知識交流的平臺。通過對這些問答對進行隨機數(shù)據(jù)抽取、數(shù)據(jù)清洗等預(yù)處理后保留了800位用戶的問答數(shù)據(jù)，其中包括1403個話題和9576個問題。本文爬取的數(shù)據(jù)集中問題文本有主題、問題、懸賞積分以及發(fā)帖者的昵稱，用戶文本包括用戶ID、性別、年齡、財富值等。隨機抽取70%的數(shù)據(jù)作為訓(xùn)練集，30%的數(shù)據(jù)留作測試集。

4.2 實驗設(shè)置

本實驗的硬件環(huán)境為:處理器為Intel I7 7700K，內(nèi)存大小為16 GB，顯卡為NVIDIA GTX1080。開發(fā)語言為Python3.6。

在計算基于元路徑的相似度時分別選取了路徑長度為2、4這2種情況,分別記為|P|=2,4；在矩陣融合時分別選取了上文中的3種融合方法，分別記為M=1，2，3。矩陣分解時將學(xué)習(xí)率設(shè)置為0.005，λq=λu=0.1，因子分解機的學(xué)習(xí)率設(shè)置為0.01。推薦列表的長度N分別設(shè)置為3，6，9。

采用平均絕對誤差(MAE)和均方根誤差(RMSE)作為評價指標(biāo)來檢驗算法對預(yù)測評分結(jié)果的準(zhǔn)確率。MAE和RMSE的值越小，表示推薦結(jié)果的精度越高，意味著有更高的推薦性能。

但是，實現(xiàn)推薦的主要任務(wù)并不是為了預(yù)測用戶對于所有項目的評分，而是能夠從海量的項目中挑選出用戶可能喜歡的推薦給用戶。在推薦系統(tǒng)向用戶提供推薦功能時，最終會向用戶推送一個長度為N的列表。于是本文采用在信息檢索領(lǐng)域常使用的2個評測指標(biāo)準(zhǔn)確率和召回率來進行對比實驗，采用Precision和Recall這2個評價指標(biāo)分別評估專家發(fā)現(xiàn)方法對于推薦最佳答案的準(zhǔn)確性和覆蓋率。

4.3 實驗結(jié)果及分析

為了進行對比研究,本文給出了不同元路徑長度以及不同融合方式的推薦算法，運行結(jié)果分別見表1和表2。

表1 不同元路徑長度和融合方式的MAE

表2 不同元路徑長度和融合方式的RMSE

從表1和表2可以看出，當(dāng)元路徑長度為4時的MAE和RMSE的值均明顯小于元路徑長度為2的情況，表明元路徑越長推薦效果越好；從融合方法來看，使用第3種融合方法的MAE和RMSE的值明顯小于使用第1種和第2種融合方法的情況，即同時融合用戶和問題相似度矩陣優(yōu)于僅融合問題相似度矩陣或者僅融合用戶相似度矩陣，顯示了同時融合用戶和問題相似度矩陣方法的優(yōu)越性。

為了驗證本文提出的基于異構(gòu)信息網(wǎng)絡(luò)的推薦算法的有效性，在海川化工數(shù)據(jù)集上進行了大量實驗，將本文所提出的算法與PMF、SVD++、SoMF、FMHIN進行比較。

1)PMF。該算法基于正則化矩陣分解，引入概率模型進行優(yōu)化。通過評分矩陣已知值用最大后驗概率和最大似然估計得到U和V的特征矩陣用于預(yù)測評分矩陣中的未知值。

2)SVD++。SVD++在SVD的基礎(chǔ)上,考慮到用戶評分較少,增加了隱式反饋,例如點擊收藏等方式的隱藏信息。

3)SoMF。該算法在推薦模型中引入了社交網(wǎng)絡(luò)信息。社會關(guān)系被正則化項特征化，并將其集成到基本矩陣分解模型中。

4)FMHIN。該算法本質(zhì)上是基于上下文的感知分解機，能夠充分利用各種輔助信息。

5)WHIN-CF[24]。首先，利用異構(gòu)網(wǎng)絡(luò)中的語義信息和邊屬性信息得出用戶間不同元路徑的相似度，然后將其應(yīng)用于協(xié)同過濾推薦算法中，得到用戶評分矩陣，最后采用監(jiān)督學(xué)習(xí)為評分值分配權(quán)重，融合成為用戶評分。

6)HnMTR[25]。該模型針對標(biāo)簽數(shù)據(jù)中不同類型對象構(gòu)建異構(gòu)網(wǎng)絡(luò)，然后對不同類型標(biāo)簽進行空間映射，在同空間網(wǎng)絡(luò)的基礎(chǔ)上，引入多參數(shù)馬爾科夫模型進行標(biāo)簽評分和推薦。

7)HIN-MF。是本文提出的算法，各個模型的MAE和RMSE值分別如圖3和圖4所示。

圖3 各個模型的MAE值

圖4 各個模型的RMSE值

從圖中可以看出，本文所提算法較PMF、SVD++、SoMF、FMHIN、WHIN-CF、HnMTR方法在MAE值上分別降低了37%、35%、31%、14%、10%、6%，RMSE值分別降低了35%、29%、26%、9%、8%、5%。從該圖中可以看出本文提出的算法與FMHIN、WHIN-CF、HnMTR方法的性能要比SVD++和PMF方法在評價指標(biāo)上表現(xiàn)效果好，這種現(xiàn)象也驗證了之前的討論：引入輔助信息可以緩解用戶與問題交互矩陣的稀疏性問題，可以提高推薦性能。SVD++和PMF只是傳統(tǒng)的協(xié)同過濾算法，簡單地利用歷史數(shù)據(jù)進行推薦，很難提高推薦的性能。在異構(gòu)信息網(wǎng)絡(luò)推薦方面，WHIN-CF、HnMTR、FMHIN方法的性能要比SoMF方法在評價指標(biāo)上表現(xiàn)效果好，因為這3種算法充分利用了HIN中豐富的語義信息。本文提出的推薦算法在MAE和RMSE的數(shù)值上優(yōu)于其它的對比算法。因為本文方法借助于元路徑引入了豐富的語義信息，并且通過3種融合矩陣的方式，得到了用戶和問題的低維特征向量，再利用因子分解機來進行訓(xùn)練和預(yù)測，大幅度提高了推薦的準(zhǔn)確性。

圖5 各個模型的Precision值

圖6 各個模型的Recall值

從圖5和圖6中可以看出，本文所提算法較PMF、SVD++、SoMF、FMHIN、WHIN-CF、HnMTR方法在Precision值上平均提高了33%、27%、16%、5%、4%、2%，Recall值平均提高了28%、20%、11%、4%、4%、1.5%。從圖中可以看出本文提出的基于異構(gòu)信息網(wǎng)絡(luò)的模型相較于PMF、SVD++、SoMF、FMHIN、WHIN-CF、HnMTR方法，在準(zhǔn)確率和召回率上有了明顯提升，這表明了通過異構(gòu)信息網(wǎng)絡(luò)分析捕捉信息的能力以及因子分解機在緩解數(shù)據(jù)稀疏性問題有很好的表現(xiàn)，綜上所述，本文提出的融合異構(gòu)信息網(wǎng)絡(luò)的混合推薦算法在性能和準(zhǔn)確性上有較大優(yōu)勢，并通過多組對比實驗驗證了本文算法的有效性。

5 結(jié)束語

本文針對當(dāng)今的大數(shù)據(jù)時代更多地關(guān)注數(shù)據(jù)之間的網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系這一特性,使用異構(gòu)信息網(wǎng)絡(luò)這一有利工具針對在線問答社區(qū)的專家發(fā)現(xiàn)問題進行了研究。本文提出了一種基于異構(gòu)信息網(wǎng)絡(luò)的混合推薦算法，并應(yīng)用于海川化工論壇，最后通過實驗證明了本文方法的有效性。未來，筆者計劃探索更豐富的信息以豐富網(wǎng)絡(luò)中的功能和語義，并使用深度學(xué)習(xí)來進一步完善系統(tǒng)。