董 浩，黃文清，李飛龍，江 山

（浙江理工大學(xué)信息學(xué)院，浙江 杭州 310000）

0 引言

隨著移動(dòng)互聯(lián)網(wǎng)的菜譜分享、飲食點(diǎn)評(píng)及外賣等生活類服務(wù)普及，人們?cè)絹碓絻A向于接受推薦系統(tǒng)建議，在飲食推薦系統(tǒng)幫助下挑選感興趣的食物［1］，而病人也可以篩選適合自己病情的食物［2-3］。目前推薦系統(tǒng)應(yīng)用主要集中在電商、電影等領(lǐng)域［4］，推薦方法主要分為協(xié)同過濾法和基于內(nèi)容的推薦兩種［5］。協(xié)同過濾法收集用戶與項(xiàng)目之間的交互，例如評(píng)分和購(gòu)買等，再借此識(shí)別用戶之間的相似度以確定推薦的項(xiàng)目列表；基于內(nèi)容的推薦則是通過比較用戶交互過的項(xiàng)目與其他項(xiàng)目的相似度來給出建議。但是傳統(tǒng)的推薦方法無法直接應(yīng)用在食譜推薦領(lǐng)域，主要原因是食譜不是原始的，同一種食物可能因?yàn)椴襟E、食材、分量等差別被定義為不同食譜，造成食譜種類激增，分布過于稀疏，導(dǎo)致推薦效果較差；另外，一個(gè)人的飲食偏好除了與食物有關(guān)，也與自身的特征有關(guān)，傳統(tǒng)的推薦方法無法將這些信息融入模型中。

針對(duì)上述問題，研究人員融合了一些新的方法，如針對(duì)食譜稀疏問題，將用戶與食譜的交互映射到用戶與食譜的食材交互上，從而將食譜轉(zhuǎn)化為食材、做法、分量等元素的組合，大大增強(qiáng)了交互數(shù)據(jù)的稠密度。也有一些研究利用用戶特征給用戶打標(biāo)簽，再將標(biāo)簽與食譜建立關(guān)聯(lián)映射。然而，這些方法在利用用戶與食譜交互時(shí)沒有考慮不同交互類型間的關(guān)聯(lián)，以及不同用戶相似的交互行為之間的潛在聯(lián)系。圖1 為該示例演示，顯然，不同用戶查看和選擇食譜這兩種交互意味著不同等級(jí)的興趣，應(yīng)該被區(qū)別對(duì)待。同時(shí)，這兩種交互也有內(nèi)在聯(lián)系，如果不能準(zhǔn)確捕捉則會(huì)導(dǎo)致推薦系統(tǒng)精準(zhǔn)度降低。

Fig.1 Examples of common user’s interaction with recipes圖1 用戶與食譜常見交互示例

本文提出一種注意力屬性異構(gòu)網(wǎng)絡(luò)嵌入模型。該模型用異構(gòu)網(wǎng)絡(luò)表示用戶與食物兩種節(jié)點(diǎn)之間的交互，綜合考慮節(jié)點(diǎn)特征、同一類型下不同節(jié)點(diǎn)的交互、同一節(jié)點(diǎn)上不同類型的交互，最后生成節(jié)點(diǎn)嵌入并利用相似度計(jì)算出推薦食譜列表。首先將用戶與食譜的特征進(jìn)行轉(zhuǎn)換，對(duì)節(jié)點(diǎn)進(jìn)行基礎(chǔ)的嵌入表示，然后設(shè)計(jì)兩種注意力機(jī)制分別學(xué)習(xí)不同交互對(duì)某一節(jié)點(diǎn)的影響：①特征注意力機(jī)制，學(xué)習(xí)同一類型的交互下相鄰節(jié)點(diǎn)的特征相似度對(duì)中心節(jié)點(diǎn)的影響；②交互注意力機(jī)制，學(xué)習(xí)不同交互類型間相互作用的影響，最后組合成完整的節(jié)點(diǎn)嵌入。在優(yōu)化上，本文采用基于meta-path 的隨機(jī)游走算法對(duì)節(jié)點(diǎn)進(jìn)行采樣獲得交互序列，再將交互序列作為訓(xùn)練樣本輸入異構(gòu)skip-gram 模型進(jìn)行訓(xùn)練。

（1）構(gòu)建了一個(gè)注意力屬性異構(gòu)網(wǎng)絡(luò)嵌入模型——

AAHNE（Attention Attributed Heterogeneous Network Embedding，AAHNE），該嵌入模型可以學(xué)習(xí)不同種類節(jié)點(diǎn)在不同交互類型中的嵌入表示，并利用這些嵌入表示在不同交互類型下生成推薦列表。

（2）提出一個(gè)基于注意力屬性異構(gòu)網(wǎng)絡(luò)嵌入的食譜推薦方法。該方法全面集成了用戶與食物組成的異構(gòu)網(wǎng)絡(luò)中提取的各種信息，以增強(qiáng)推薦性能，包括用戶的身體信息、職業(yè)信息等用戶特征，食物的食材種類、分量、做法等食物特征，以及用戶與食物的交互記錄。本文使用注意力機(jī)制來構(gòu)建特征之間的相似度對(duì)用戶興趣的影響，以及不同交互類型之間的相互作用。

（3）使用下廚房數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)評(píng)估該方法的性能。實(shí)驗(yàn)結(jié)果表明，AAHNE 優(yōu)于其他基準(zhǔn)線方法。

1 相關(guān)工作

本文在異構(gòu)網(wǎng)絡(luò)嵌入模型和食譜推薦兩個(gè)領(lǐng)域進(jìn)行相關(guān)研究闡述。

1.1 異構(gòu)網(wǎng)絡(luò)嵌入模型

隨著社交網(wǎng)絡(luò)的發(fā)展，異構(gòu)網(wǎng)絡(luò)嵌入引起廣泛關(guān)注。異構(gòu)網(wǎng)絡(luò)嵌入在保留網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和不同類型節(jié)點(diǎn)屬性的同時(shí)，將網(wǎng)絡(luò)中的節(jié)點(diǎn)使用低維向量表示。異構(gòu)網(wǎng)絡(luò)擁有不同類型的節(jié)點(diǎn)，節(jié)點(diǎn)之間也有不同類型的連接［6］，這種網(wǎng)絡(luò)可以很好地承接現(xiàn)實(shí)世界中的關(guān)系映射。因此，使用異構(gòu)網(wǎng)絡(luò)提高預(yù)測(cè)與推薦性能研究興起。Shi 等［7］最先將異構(gòu)網(wǎng)絡(luò)引入推薦領(lǐng)域，采用基于元路徑的相關(guān)性以捕獲對(duì)象之間存在連通的可能性，實(shí)現(xiàn)了相同類型的相似對(duì)象與不同類型的相關(guān)對(duì)象推薦，但該方法并沒有將相同類型與不同類型的情況整合；為了改進(jìn)以這一點(diǎn)，Shi 等［8］在2019 年提出了HERec 模型，將節(jié)點(diǎn)的嵌入信息通過個(gè)性化線性融合和非線性融合轉(zhuǎn)化為有用的信息用于提高推薦性能；Ji 等［9］提出通過異構(gòu)網(wǎng)絡(luò)建模，以更豐富地表達(dá)不同偏好類型間的潛在聯(lián)系；Zheng 等［10］提出一種基于雙重相似度正則化的方法來同時(shí)約束用戶和物品；Yu 等［11］則在社交推薦領(lǐng)域提出了隱朋友概念，根據(jù)社交網(wǎng)絡(luò)對(duì)不同用戶的影響程度，將不同數(shù)量的相似用戶合并為目標(biāo)用戶的隱朋友，改善了不可靠關(guān)系的不利影響。這些基于元路徑的方法優(yōu)點(diǎn)在于充分利用了異構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)，缺點(diǎn)是對(duì)新加入網(wǎng)絡(luò)的節(jié)點(diǎn)缺少泛化能力。

與本文相似的研究是GATNE 方法［12］，該方法引入節(jié)點(diǎn)屬性來增強(qiáng)網(wǎng)絡(luò)的泛化能力，對(duì)于還未出現(xiàn)在網(wǎng)絡(luò)中的節(jié)點(diǎn)，如果存在已知的屬性，便可根據(jù)屬性特征生成特征嵌入而不是隨機(jī)進(jìn)行初始化。在生成節(jié)點(diǎn)的邊嵌入時(shí)使用注意力機(jī)制，獲取其他類型的邊對(duì)目標(biāo)類型邊嵌入的影響。但是該方法與本文存在一些差異，主要體現(xiàn)在嵌入向量的生成方式不同。GATNE 生成節(jié)點(diǎn)在特定類型邊上嵌入時(shí)，對(duì)于周邊連接節(jié)點(diǎn)采用平均采樣。由于不同類型的食材對(duì)于用戶偏好的影響差異較大，所以本文采用注意力機(jī)制進(jìn)行加權(quán)采樣，如一個(gè)用戶的嵌入偏向于川味的食譜，則川味食材對(duì)他的嵌入影響會(huì)更大，而杭幫菜的影響會(huì)更小。

1.2 食譜推薦方法

隨著食譜和外賣網(wǎng)站的發(fā)展［13］，食譜推薦系統(tǒng)受到持續(xù)關(guān)注。推薦系統(tǒng)任務(wù)分為項(xiàng)目排名和評(píng)分預(yù)測(cè)兩種，其中項(xiàng)目排名是本文重點(diǎn)，即根據(jù)用戶的特征信息與交互信息預(yù)測(cè)出一個(gè)可能感興趣的推薦列表。

食譜推薦系統(tǒng)最常見的為協(xié)同過濾推薦［14-15］，但通常面臨數(shù)據(jù)稀疏問題，所以通常會(huì)將協(xié)同過濾和基于內(nèi)容的過濾方法結(jié)合為混合過濾方法［16］。在此基礎(chǔ)上，Ueda等［17］基于矩陣分解提出了一種學(xué)習(xí)用戶食材偏好的推薦方法。其方法是將食譜分解為食材，根據(jù)用戶對(duì)食材的喜好程度以及食材在食譜中出現(xiàn)的頻率對(duì)食材進(jìn)行加權(quán)評(píng)分，再將用戶對(duì)食材的評(píng)分綜合為對(duì)食譜的評(píng)分。該方法解決了食譜交互列表稀疏問題，但由于僅分解到食材層面，對(duì)于新的食材沒有冷啟動(dòng)能力。

在此基礎(chǔ)上，Mokdara 等［18］嘗試進(jìn)一步將食材的成分分解為特征，使用包含多層感知器的深度神經(jīng)網(wǎng)絡(luò)將食譜成分向量作為輸入，從中提取特征并訓(xùn)練出向量模型，用以生成用戶的偏好與標(biāo)簽，該模型還可以通過與用戶的交互對(duì)模型進(jìn)行迭代修正。該方法深入研究了食譜隱藏因素對(duì)用戶偏好的影響，對(duì)于新的食材也可很好地做特征分解。

此前的研究?jī)H停留在食譜層面，為了納入更多影響因素，Gao 等［19］提出了HARF 模型，認(rèn)為用戶不僅受到食譜的食材影響，同樣在意食物的做法、外形和口味等。該模型先對(duì)用戶與食譜的交互、食譜的配方以及對(duì)食物圖片的描述學(xué)習(xí)嵌入表示，再利用分層注意力機(jī)制對(duì)3 種嵌入進(jìn)行聯(lián)合建模。該模型嘗試更全面地學(xué)習(xí)影響用戶食物決策過程的關(guān)鍵因素，并取得很好的推薦結(jié)果。但是每種食物僅采用了單張圖片進(jìn)行描述，導(dǎo)致圖片特征沒有普適性。同時(shí)該方法沒有利用不同用戶間相似的交互行為，使得輸入較為稀疏，同樣沒有考慮用戶的信息特征。

現(xiàn)有的飲食推薦系統(tǒng)充分挖掘了食物本身的特征來增強(qiáng)推薦性能，將用戶與食譜的交互進(jìn)行建模，生成用戶興趣模型。但此類方法主要有以下兩個(gè)問題：①?zèng)]有綜合考慮用戶的屬性信息對(duì)用戶食譜偏好的影響；②沒有整合交互網(wǎng)絡(luò)中用戶與項(xiàng)目之間的多類型關(guān)系。因此，要考慮這兩點(diǎn)在食譜推薦中重要作用。

為了解決該問題，本文提出一種基于注意力屬性異構(gòu)網(wǎng)絡(luò)嵌入的食譜推薦方法，該方法探索由用戶和食譜組成的異構(gòu)網(wǎng)絡(luò)，從中整合出節(jié)點(diǎn)間交互與屬性特征帶來的連接與嵌入信息，以增強(qiáng)推薦性能。

2 問題描述

本文將一些與屬性異構(gòu)網(wǎng)絡(luò)有關(guān)的定義形式化，并定義需要解決的目標(biāo)問題。

2.1 網(wǎng)絡(luò)定義

設(shè)G= (V,E,A)為屬性異構(gòu)網(wǎng)絡(luò)，其中V為n 個(gè)節(jié)點(diǎn)的集合，每個(gè)節(jié)點(diǎn)vi∈V都與一個(gè)特征向量相關(guān)聯(lián)。E=∪r∈R Er為所有邊的集合，Er為所有類型為r的邊的集合，每條邊eij= (vi,vj)都與一個(gè)權(quán)重wij≥0 相關(guān)聯(lián)，表明vi到vj的強(qiáng)度。A={xi|vi∈V}是所有節(jié)點(diǎn)的特征集，其中xi是節(jié)點(diǎn)vi的關(guān)聯(lián)特征。最后，根據(jù)邊類型將網(wǎng)絡(luò)G 分割為子網(wǎng)Gr= (V,Er,A)。

2.2 問題描述

給定一個(gè)網(wǎng)絡(luò)G= (V,E,A)，本文的目標(biāo)是學(xué)習(xí)一個(gè)映射函數(shù)f:vi→yi∈Rd，使得映射函數(shù)在不改變網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)屬性的前提下，對(duì)每個(gè)節(jié)點(diǎn)vi∈V都可以用統(tǒng)一的低維空間向量表示，其中d＜＜ ||V。

3 方法

本文提出的AAHNE 模型如圖2 所示。首先構(gòu)建一個(gè)帶有屬性的異構(gòu)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以分割為不同子網(wǎng)，這些子網(wǎng)的每個(gè)節(jié)點(diǎn)代表用戶和食譜，節(jié)點(diǎn)之間相連的邊代表相互的交互記錄；其次，本文提出一種基于注意力機(jī)制的網(wǎng)絡(luò)嵌入方法來獲得不同類型交互下節(jié)點(diǎn)的嵌入表示；最后使用異構(gòu)Skip-Gram 模型對(duì)轉(zhuǎn)換函數(shù)進(jìn)行優(yōu)化。

Fig.2 Model overall structure圖2 模型整體結(jié)構(gòu)

3.1 模型結(jié)構(gòu)

屬性異構(gòu)注意力網(wǎng)絡(luò)包括一個(gè)輸入層、兩個(gè)特征轉(zhuǎn)換層、兩個(gè)注意力機(jī)制層、一個(gè)融合層、一個(gè)輸出層。在AAHNE 模型中存在多種類型的邊，例如一個(gè)用戶可能會(huì)選擇瀏覽一個(gè)食譜后什么都不做，也可能直接選擇購(gòu)買或制作該食譜，不同的表現(xiàn)都會(huì)用不同類型的邊進(jìn)行記錄，所以本文對(duì)每個(gè)節(jié)點(diǎn)在不同子網(wǎng)下都學(xué)習(xí)一種嵌入表示，其中同一子網(wǎng)下的不同節(jié)點(diǎn)之間會(huì)相互影響，不同子網(wǎng)下同一節(jié)點(diǎn)的表示也會(huì)相互作用。

用戶喜歡的兩種不同食譜之間存在關(guān)聯(lián)，同一個(gè)用戶在瀏覽食譜時(shí)的偏好也隱性表現(xiàn)了他的食譜選擇傾向。

首先，將每個(gè)邊類型r上的節(jié)點(diǎn)vi整體嵌入vi,r，分為基礎(chǔ)嵌入bi、特征嵌入fi和邊嵌入uir三部分，如式（1）所示：

其中，基礎(chǔ)嵌入和特征嵌入在所有類型的邊上共享。基礎(chǔ)嵌入與節(jié)點(diǎn)在同構(gòu)網(wǎng)絡(luò)中的嵌入表示一樣，由節(jié)點(diǎn)特征通過式（2）轉(zhuǎn)換得到，是節(jié)點(diǎn)在網(wǎng)絡(luò)中不區(qū)分邊類型的整體表現(xiàn)。特征嵌入為節(jié)點(diǎn)的固有屬性，具體指用戶性別、年齡等，以及食譜的食材、烹飪方式等屬性，節(jié)點(diǎn)的屬性特征通過式（3）轉(zhuǎn)換為特征嵌入。節(jié)點(diǎn)的特征嵌入優(yōu)化了新加入網(wǎng)絡(luò)時(shí)的冷啟動(dòng)能力。

其中，hz是線性轉(zhuǎn)換函數(shù)，z=?(i)是節(jié)點(diǎn)vi的邊類型，基類嵌入在不同類型邊中共享。βr是系數(shù)，Dz是節(jié)點(diǎn)vi在邊r上的轉(zhuǎn)換矩陣。

節(jié)點(diǎn)vi在邊類型r上的邊嵌入ui,r∈Rs通過聚合相鄰節(jié)點(diǎn)的邊嵌入得到，而初始的邊嵌入是通過聚合鄰居節(jié)點(diǎn)的特征向量得到的。

3.2 基于特征注意力機(jī)制的初始邊嵌入

在網(wǎng)絡(luò)嵌入模型中聚合通常采用mean aggregator 或pooling aggregators，但這種方式過于粗糙。因此，為了更好地學(xué)習(xí)不同鄰居節(jié)點(diǎn)對(duì)于中心節(jié)點(diǎn)的影響，本文將注意力機(jī)制引入到聚合過程中。注意力機(jī)制的基本思想是讓算法在處理問題時(shí)學(xué)會(huì)為不同的對(duì)象分配不同權(quán)重，即在考慮一個(gè)人選擇食譜偏好時(shí)，瀏覽的偏好與選擇的偏好做出的貢獻(xiàn)權(quán)重并不相同。

對(duì)每一個(gè)中心節(jié)點(diǎn)vi，本文根據(jù)其鄰居節(jié)點(diǎn)vj∈Nir的特征相似度生成不同的貢獻(xiàn)度，再根據(jù)貢獻(xiàn)度比值對(duì)鄰居節(jié)點(diǎn)特征進(jìn)行聚合，以生成初始邊嵌入。為了更好地理解聚合過程，本文在圖3 中給出了示例。對(duì)于中心節(jié)點(diǎn)v0，vj，j∈(1,2,3,4)為其邊類型r1上的鄰居節(jié)點(diǎn)，經(jīng)過聚合后生成中心節(jié)點(diǎn)的初始邊嵌入u0,1，其中鄰居節(jié)點(diǎn)與中心節(jié)點(diǎn)相似度如下：

其中，W為特征轉(zhuǎn)化矩陣，Wi是大小為da的共享權(quán)重矩陣。特別需要注意的是，節(jié)點(diǎn)vi與節(jié)點(diǎn)vj之間的相互重要性完全不同，這也使得注意力機(jī)制擁有非對(duì)稱性。然后根據(jù)相似度計(jì)算邊r上的鄰居節(jié)點(diǎn)vjr∈Nir對(duì)中心節(jié)點(diǎn)vj的貢獻(xiàn)度，并對(duì)貢獻(xiàn)度使用softmax 函數(shù)進(jìn)行歸一化：

最后生成聚合后的邊嵌入，其中Relu 為激活函數(shù)：

3.3 基于自注意力機(jī)制的邊嵌入

初始邊嵌入為中心節(jié)點(diǎn)vi在邊類型r上的嵌入表現(xiàn)，這意味著它只能從一個(gè)方面反映節(jié)點(diǎn)特征，但在現(xiàn)實(shí)中，不同類型的交互行為會(huì)互相影響。例如，一個(gè)用戶看了一堆食譜后選擇其中一個(gè)，又因?yàn)榻佑|了這個(gè)食譜后從而對(duì)同一類食譜產(chǎn)生興趣。為了更加全面地學(xué)習(xí)不同邊類型之間的作用，本文使用了自注意力機(jī)制對(duì)所有邊類型上的邊嵌入進(jìn)行聚合。在獲得不同邊上的初始邊嵌入uir后，通過式（7）將其拼接成矩陣Ui，其中m為邊類型的數(shù)量。再通過式（8）的concat 方法和歸一化，得到節(jié)點(diǎn)在邊類型r下邊嵌入的權(quán)重ai,r：

其中，wr,Wr分別是大小為da和da*s的邊類型r上的全連接矩陣和權(quán)重矩陣。最終將3 種嵌入相加后，得到節(jié)點(diǎn)vi在邊類型r上的整體嵌入Vi,r：

其中，αr表示邊嵌入權(quán)重的超參數(shù)，Mr∈Rs*d是需要訓(xùn)練的轉(zhuǎn)換矩陣，過程如圖3 所示。

Fig.3 Attention-based node aggregation圖3 基于注意力機(jī)制的節(jié)點(diǎn)聚合

3.4 模型優(yōu)化

在建立了AAHNE 模型后，由于優(yōu)化網(wǎng)絡(luò)是異構(gòu)的，所以本文采用基于異構(gòu)meta-path 的隨機(jī)游走對(duì)節(jié)點(diǎn)進(jìn)行采樣。給定一個(gè)視圖r即網(wǎng)絡(luò)Gr= (V,Er,A)和一個(gè)meta-path方 案T:V1→V2→… →Vt→… →Vl，其 中l(wèi)為metapath 方案長(zhǎng)度，第t 步的轉(zhuǎn)移概率定義如下：

其中，vi∈Vt，Ni,r為節(jié)點(diǎn)vi在邊類型r上的鄰居節(jié)點(diǎn)集合，walker 按照預(yù)定義的meta-pathT進(jìn)行游走。基于異構(gòu)meta-path 的隨機(jī)游走確保不同類型節(jié)點(diǎn)之間的語義關(guān)系能夠正確地合并到跳躍圖模型中。假設(shè)邊類型r上長(zhǎng)度為l的隨機(jī)游走沿著路徑P=(Vp1,…,Vpl)進(jìn)行，并且有(vpt-1,vpt)∈Er(t= 2…l)，表 明vpt的 上 下 文 為C={vpk|vpk∈P, ||k-t≤c,t≠k}，其中c為窗口大小半徑。因此，給定路徑的節(jié)點(diǎn)vi及其上下文C，本文的目標(biāo)是最小化以下負(fù)對(duì)數(shù)似然概率：

其中，θ代表所有參數(shù)。對(duì)于Pθ(vj|vi)，本文采用異構(gòu)softmax 函數(shù)進(jìn)行歸一化：

其中，vj∈Vt，ck是節(jié)點(diǎn)vk的上下文嵌入，Vi是邊類型為r的節(jié)點(diǎn)vi的整體嵌入。最后采用如式（13）的異構(gòu)負(fù)采樣方法優(yōu)化每對(duì)節(jié)點(diǎn)(vi,vj)的目標(biāo)函數(shù)-logPθ(vj|vi)：

其中，σ(x) = 1/(1+ exp(-x))是sigmoid 函數(shù)，L為正樣本對(duì)應(yīng)的負(fù)樣本個(gè)數(shù)，vk是從節(jié)點(diǎn)vj對(duì)應(yīng)節(jié)點(diǎn)集Vt上定義的噪聲分布Pt(v)中隨機(jī)抽取的對(duì)應(yīng)節(jié)點(diǎn)集。

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)集與預(yù)處理

由于缺少包含用戶與食譜交互的公共數(shù)據(jù)集，而xiachufang.com 網(wǎng)站是國(guó)內(nèi)最大的食譜分享網(wǎng)站之一，本文使用爬蟲在xiachufang.com 網(wǎng)站上收集數(shù)據(jù)構(gòu)建一個(gè)數(shù)據(jù)集。數(shù)據(jù)集詳細(xì)構(gòu)成如表1 所示，包含用戶ID、用戶性別、年齡、所處城市、職業(yè)、菜譜ID、菜譜的食材、烹飪方式、食材ID、用戶對(duì)菜譜的收藏與烹飪記錄等。進(jìn)行用戶特征處理，將各類屬性分別做one-hot 編碼，其中缺失的性別、城市、職業(yè)采用特殊值代替，缺失的年齡采用平均值補(bǔ)全。對(duì)于食譜特征，本文在處理前先對(duì)食材的別名等情況進(jìn)行預(yù)處理，統(tǒng)一用相同食材代替，再對(duì)食譜的食材與烹飪方式分別做one-hot 編碼處理。

Table 1 Dataset basic information表1 數(shù)據(jù)集基本信息

在評(píng)估時(shí)，采用60%的數(shù)據(jù)集作為訓(xùn)練集，30%作為驗(yàn)證集用于超參數(shù)調(diào)優(yōu)，10%作為測(cè)試集用于性能評(píng)估。

4.2 基準(zhǔn)線方法

為證明本文模型的有效性，將本文模型性能與如下模型進(jìn)行比較，相關(guān)模型介紹如下：

MetaPath2vec［20］：一種基于深度游走的網(wǎng)絡(luò)嵌入模型。由于該模型基于同構(gòu)網(wǎng)絡(luò)，本文在此忽略節(jié)點(diǎn)的異構(gòu)屬性，對(duì)全網(wǎng)絡(luò)進(jìn)行深度游走。

HERec：一種基于異構(gòu)網(wǎng)絡(luò)嵌入的推薦模型，采用類型約束策略過濾節(jié)點(diǎn)，并采用多種融合方法生成異構(gòu)網(wǎng)絡(luò)嵌入。

GATNE：一種多重異構(gòu)網(wǎng)絡(luò)嵌入模型，該模型使用基嵌入和邊嵌入捕捉不同邊類型之間的影響因素。同時(shí)考慮網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)屬性，并學(xué)習(xí)歸納轉(zhuǎn)換函數(shù)。

4.3 評(píng)估指標(biāo)

本文采用鏈路預(yù)測(cè)任務(wù)進(jìn)行離線實(shí)驗(yàn)。鏈路預(yù)測(cè)任務(wù)指通過已知網(wǎng)絡(luò)的結(jié)構(gòu)、節(jié)點(diǎn)等信息，預(yù)測(cè)網(wǎng)絡(luò)中尚未連邊的兩個(gè)節(jié)點(diǎn)之間產(chǎn)生連接的可能性，在推薦領(lǐng)域廣泛應(yīng)用于評(píng)價(jià)網(wǎng)絡(luò)嵌入的質(zhì)量。本文在實(shí)驗(yàn)中使用ROC 曲線和PR 曲線下的面積以及F1-score 作為評(píng)價(jià)標(biāo)準(zhǔn)，這些指標(biāo)廣泛應(yīng)用在模型的預(yù)測(cè)評(píng)價(jià)中。其中F1-score 的計(jì)算方式如下：

4.4 結(jié)果分析

4 種方法在下廚房數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果如表（2）所示，從中可以看出本文提出的AAHNE 方法優(yōu)于其他基準(zhǔn)方法。MetaPath2vec 由于沒有區(qū)分異構(gòu)節(jié)點(diǎn)的性質(zhì)與屬性，表現(xiàn)最差。與之前最先進(jìn)的算法結(jié)果相比，AAHNE 對(duì)新節(jié)點(diǎn)適應(yīng)能力更強(qiáng)，ROC-AUC 性能提升2.5%，PR-AUC 性能提升2.8%，F(xiàn)1-score 性能提升2.3%。

Table 2 Experimental result表2 實(shí)驗(yàn)結(jié)果

收斂性分析：如圖4 所示，AAHNE 相較于GATNE 模型收斂速度更快，且最終結(jié)果更佳。

Fig.4 Convergence performance of the model圖4 模型的收斂性能

參數(shù)敏感性分析：本文研究了AAHNE 對(duì)于不同超參數(shù)的敏感性，包括整體嵌入維數(shù)、特征注意力向量維數(shù)和自注意力向量維數(shù)。圖5 展示從默認(rèn)設(shè)置開始改變超參數(shù)大小時(shí)AAHNE 的表現(xiàn)，從中可以看出，對(duì)于整體嵌入維數(shù)在較大范圍內(nèi)時(shí)，AAHNE 性能可以保持穩(wěn)定；但當(dāng)整體嵌入維數(shù)過大時(shí)，AAHNE 性能會(huì)下降。同樣，保持整體嵌入維數(shù)為100 的情況下，特征注意力向量和自注意力向量的維數(shù)都不宜過大。

Fig.5 Hyperparametric sensitivity of the model圖5 模型的超參數(shù)敏感度

5 結(jié)語

本文提出了一種基于注意力聚合的屬性異構(gòu)網(wǎng)絡(luò)嵌入模型AAHNE，在食譜推薦中，對(duì)由用戶與食譜組成的異構(gòu)網(wǎng)絡(luò)進(jìn)行信息提取，建立節(jié)點(diǎn)嵌入的映射函數(shù)。模型的整體節(jié)點(diǎn)嵌入分為基礎(chǔ)嵌入、特征嵌入、邊嵌入3 個(gè)部分，其中基礎(chǔ)嵌入和特征嵌入在全異構(gòu)網(wǎng)絡(luò)中共享，而邊緣嵌入通過特征注意力機(jī)制對(duì)同一個(gè)邊類型的鄰邊信息進(jìn)行聚合，再通過自注意機(jī)制對(duì)不同鄰邊嵌入的相互影響進(jìn)行建模。在下廚房的數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果顯示本文提出的方法與以前的先進(jìn)方法相比性能更好。

但本文提出的模型為靜態(tài)模型，無法對(duì)用戶的實(shí)時(shí)信息做出反應(yīng)，如根據(jù)當(dāng)天用戶實(shí)時(shí)的能量消耗、所處的地理位置推薦出對(duì)應(yīng)的食譜。后續(xù)將研究如何在動(dòng)態(tài)屬性節(jié)點(diǎn)構(gòu)成的異構(gòu)網(wǎng)絡(luò)中實(shí)時(shí)生成食譜推薦。