周 超，武友新

(南昌大學(xué) 信息工程學(xué)院，南昌 330000)

1 引 言

作為一種有效應(yīng)對(duì)信息過(guò)載的技術(shù)，智能推薦系統(tǒng)在電子商務(wù)、音樂(lè)推薦、視頻推薦等領(lǐng)域有了廣泛的應(yīng)用[1].近年來(lái)，得益于深度學(xué)習(xí)在自然語(yǔ)言處理、圖像處理、語(yǔ)音識(shí)別和醫(yī)療診斷等領(lǐng)域取得的重大進(jìn)展，越來(lái)越多的深度學(xué)習(xí)技術(shù)被應(yīng)用到推薦系統(tǒng)研究中并得到較好的效果[2，3].先驅(qū)們?cè)缙诘难芯抗ぷ饕呀?jīng)探索了基于隱式反饋的深度學(xué)習(xí)模型，它們主要使用DNNs網(wǎng)絡(luò)來(lái)建模輔助信息，例如文字描述[4]、音樂(lè)的聲學(xué)特征[5]等，然后由MF與DNN相結(jié)合去學(xué)習(xí)用戶和項(xiàng)目的潛在特征向量，此類方法相比于傳統(tǒng)的方法能有效提升模型的命中率，但是提升效果有限.

最近的研究越來(lái)越多的將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用到用戶與項(xiàng)目的交互關(guān)系上，希望以此來(lái)提高模型的性能.Guo[6]等人提出的DeepFM是一種端到端模型，可無(wú)縫集成FM和MLP，它利用深度神經(jīng)網(wǎng)絡(luò)將FM的低階交互關(guān)系建模成具有高階特征的用戶與項(xiàng)目的交互關(guān)系.Deng[7]等人提出了一種DeepCF模型框架，它將特征學(xué)習(xí)與匹配函數(shù)結(jié)合在一起強(qiáng)化了模型的性能.He[8]等人提出了一種NCF模型，NCF模型在矩陣分解算法的基礎(chǔ)上使用DNN網(wǎng)絡(luò)去學(xué)習(xí)用戶與項(xiàng)目之間復(fù)雜的交互關(guān)系.以上模型均將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用到對(duì)用戶與項(xiàng)目復(fù)雜交互關(guān)系的建模上，提高了模型的學(xué)習(xí)能力，但是由于隱式反饋數(shù)據(jù)天然帶有很強(qiáng)的噪聲，所以這些模型的性能表現(xiàn)都受到了限制.

最近將自編碼器應(yīng)用到推薦系統(tǒng)中的研究開始流行起來(lái).Cao[9]等人提出了一種無(wú)監(jiān)督的深度學(xué)習(xí)方法，該方法使用棧式降噪自編碼器從原始的稀疏用戶項(xiàng)目交互矩陣中提取有用的低維特征，并與相似度計(jì)算算法結(jié)合以取得良好的推薦效果.Yosuke[10]等人提出了一種基于協(xié)同過(guò)濾的推薦算法，該算法利用棧式降噪自編碼器來(lái)探索不同用戶之間的相似性差異，這是因?yàn)闂Ｊ浇翟胱跃幋a器中的不同隱含層代表了具有不同抽象等級(jí)的用戶之間的關(guān)系，從而使得推薦比較新穎、多樣.

受NCF模型的啟發(fā)，本文提出了基于三通道的神經(jīng)協(xié)同過(guò)濾算法(Three-channels neural collaborative filtering algorithm，TCNCF)，它使用自編碼器去挖掘用戶和項(xiàng)目的隱表示然后結(jié)合輔助信息一起去構(gòu)建用戶和項(xiàng)目的潛在特征向量，再然后融合廣義矩陣分解模型和多層感知機(jī)模型一起對(duì)用戶和項(xiàng)目建模.它將用戶和項(xiàng)目統(tǒng)計(jì)學(xué)信息的確定性與隱式反饋數(shù)據(jù)的隨機(jī)性相結(jié)合，提高了模型的泛化能力.面對(duì)不易挖掘的負(fù)樣本，本文將三通道協(xié)同過(guò)濾算法和負(fù)采樣算法進(jìn)行結(jié)合，提高了模型的魯棒性.

2 三通道神經(jīng)協(xié)同過(guò)濾算法

2.1 整體框架

三通道神經(jīng)協(xié)同過(guò)濾算法融合廣義矩陣分解(Generalized Matrix Factorization，GMF)模型、多層感知機(jī)(Multi-Layer Perceptron，MLP)模型和輔助信息處理(Auxiliary information processing，AIP)模型一起對(duì)用戶和項(xiàng)目建模，其模型框架如圖1所示.GMF模型將用戶項(xiàng)目交互矩陣通過(guò)矩陣分解映射到GMF用戶特征向量和GMF項(xiàng)目特征向量，然后將用戶和項(xiàng)目的特征向量相乘的結(jié)果輸入到激活函數(shù)Sigmoid之后再輸出到向量結(jié)合層.MLP模型首先將用戶和項(xiàng)目的交互矩陣映射到用戶和項(xiàng)目的特征向量，然后將MLP用戶特征向量和MLP項(xiàng)目特征向量拼接成一個(gè)新的向量作為多層感知機(jī)的輸入，將多層感知機(jī)的結(jié)果輸送到向量結(jié)合層.AIP模型首先利用自編碼器重構(gòu)用戶和項(xiàng)目的評(píng)分向量得到用戶和項(xiàng)目的隱表示，再將其與用戶和項(xiàng)目的輔助信息對(duì)應(yīng)的輔助信息特征向量結(jié)合輸入到多層感知機(jī)中，最后的結(jié)果輸入到向量結(jié)合層.向量結(jié)合層將3個(gè)模型輸送過(guò)來(lái)的數(shù)據(jù)以向量拼接的方式輸入到Sigmoid函數(shù)中，最后輸出用戶與項(xiàng)目交互的預(yù)測(cè)結(jié)果.

2.2 廣義矩陣分解模型

傳統(tǒng)的矩陣分解(Matrix Factorization，MF)算法將評(píng)分矩陣分解為兩個(gè)低維矩陣P和Q，它們分別代表了用戶和項(xiàng)目的特征向量矩陣，則評(píng)分矩陣R為它們乘積，即：

R=PTQ

(1)

矩陣分解算法的目的就在于求得用戶與項(xiàng)目的特征向量矩陣，然后將其相乘得到預(yù)測(cè)評(píng)分矩陣.將用戶對(duì)項(xiàng)目的預(yù)測(cè)評(píng)分排序，從而為用戶推薦預(yù)測(cè)評(píng)分最高的N個(gè)項(xiàng)目.廣義矩陣分解模型將傳統(tǒng)矩陣分解模型一般化，它具有更強(qiáng)的學(xué)習(xí)和表達(dá)能力，其公式如下：

φGMF=aout(hT(pu·qi))

(2)

其中，pu和qi分別代表了用戶和項(xiàng)目的特征向量，·代表向量點(diǎn)乘，aout和h分別表示輸出層的激活函數(shù)和連接權(quán)重.如果將aout看成一個(gè)恒等函數(shù)，h的權(quán)重值為1，就得到傳統(tǒng)的MF模型.GMF模型可以從數(shù)據(jù)中學(xué)習(xí)并且形成MF的變體，它可以表現(xiàn)出特征向量不同維度的重要性的不同.如果用一個(gè)非線性函數(shù)作為激活函數(shù)，將進(jìn)一步推廣MF到非線性空間，使得模型較傳統(tǒng)MF模型具有更廣闊的搜索空間.在本模型中，它使用Sigmoid函數(shù)作為激活函數(shù).

2.3 多層感知機(jī)模型

在隱式反饋下，用戶與項(xiàng)目之間的交互變得更加復(fù)雜.在這種背景下，如何將表征用戶和項(xiàng)目之間的交互的函數(shù)擴(kuò)展到非線性空間顯得尤為重要.多層感知器的優(yōu)點(diǎn)是可以從數(shù)據(jù)中學(xué)習(xí)非常復(fù)雜的非線性表示，因此非常適合用來(lái)學(xué)習(xí)用戶與項(xiàng)目之間的交互關(guān)系.多層感知器模型，不再簡(jiǎn)單地使用向量乘積來(lái)表達(dá)用戶與物品之間的復(fù)雜交互，而是將向量結(jié)合輸入到多層感知器中去學(xué)習(xí)用戶和項(xiàng)目的高級(jí)交互關(guān)系.這樣做的好處就是可以利用DNNs強(qiáng)大的學(xué)習(xí)能力將用戶和項(xiàng)目的建模擴(kuò)展到更復(fù)雜的非線性空間.其函數(shù)表達(dá)式如下：

(3)

其中φMLP代表多層感知機(jī)模型預(yù)測(cè)結(jié)果，wi、bi和f分別代表了連接權(quán)重、偏置值和激活函數(shù).對(duì)于MLP層的激活函數(shù)，我們選擇Relu函數(shù)，使模型不至于過(guò)擬合.

2.4 輔助信息處理模型

隱式反饋數(shù)據(jù)一個(gè)很嚴(yán)重的問(wèn)題在于用戶與項(xiàng)目之間的交互矩陣具有很強(qiáng)的噪音.如果僅依靠交互矩陣來(lái)建模用戶與項(xiàng)目之間的交互關(guān)系，可能會(huì)導(dǎo)致較大的偏差.眾所周知，用戶和項(xiàng)目的輔助信息包含很多重要信息，可以從中挖掘出許多反映用戶和項(xiàng)目特征的信息.另外，用戶和項(xiàng)目的輔助信息具有較高的可靠性，科學(xué)的輔助信息處理可以對(duì)推薦結(jié)果產(chǎn)生積極的影響.例如，用戶的人口統(tǒng)計(jì)信息可以挖掘用戶的偏好，不同年齡、性別和職業(yè)的人的偏好可能完全不同.出于相似的原因，項(xiàng)目的輔助信息也可以反映項(xiàng)目的特征信息.因此，我們考慮采用輔助信息處理模型通道來(lái)挖掘用戶與項(xiàng)目輔助信息特征.

當(dāng)前，自編碼器廣泛用于基于深度學(xué)習(xí)的推薦系統(tǒng)中[11，12].自動(dòng)編碼器具有強(qiáng)大的表示學(xué)習(xí)能力，可用于學(xué)習(xí)用戶和項(xiàng)目的隱含向量.因此，本文提出了一種基于自動(dòng)編碼器的輔助信息處理模型.首先，我們使用自編碼器重構(gòu)用戶和項(xiàng)目的評(píng)分向量(用戶的評(píng)分向量對(duì)應(yīng)的是交互矩陣中的列，項(xiàng)目的評(píng)分向量對(duì)應(yīng)的是交互矩陣中的行)，從而獲得用戶和項(xiàng)目的隱含向量，將其與數(shù)值化處理后的輔助信息的特征向量結(jié)合，然后輸入到多層感知器中.該框架如圖1所示，具體公式如下：

(4)

(5)

式中φAIP代表AIP模型的預(yù)測(cè)結(jié)果，hu、hi、Au和Ai分別表示用戶的隱含向量、項(xiàng)目的隱含向量、用戶的特征向量和項(xiàng)目的特征向量.hu和hi是從自編碼器中獲得的，就是公式(4)中的f(wiRi+b1).

2.5 多通道融合

采用多通道融合的方法對(duì)用戶和項(xiàng)目建模已經(jīng)廣泛的應(yīng)用在基于深度學(xué)習(xí)的推薦系統(tǒng)中.在本模型中，GMF用來(lái)學(xué)習(xí)用戶與項(xiàng)目之間的低階交互關(guān)系，MLP用來(lái)學(xué)習(xí)用戶與項(xiàng)目之間的高階交互關(guān)系，AIP通過(guò)輔助信息來(lái)挖掘用戶與項(xiàng)目之間潛在的交互關(guān)系.為了更好的發(fā)揮各個(gè)模型的性能，它們之間的融合十分關(guān)鍵.在本模型中多通道融合仍然采用向量結(jié)合的方式，具體公式如下：

(6)

式中φGMF、φMLP和φAIP代表GMF、MLP和AIP的輸出結(jié)果，它們之間的關(guān)系靠連接權(quán)重h來(lái)平衡.σ代表激活函數(shù) Sigmoid.這里將Sigmoid函數(shù)作為最后輸出結(jié)果的激活函數(shù)是因?yàn)榭紤]到最后的輸出結(jié)果的值在0-1之間，可以看作是概率模型，使用Sigmoid函數(shù)更合理.

圖1 TCNCF模型框架Fig.1 TCNCF model framework

3 優(yōu) 化

3.1 損失函數(shù)

本文的損失函數(shù)定義如下：

(7)

式中y代表在交互矩陣Y中值為1的項(xiàng)目，就是用戶交互過(guò)的項(xiàng)目.y-代表負(fù)樣本，即用戶與項(xiàng)目沒有交互記錄.我們之所以這樣定義損失函數(shù)，是因?yàn)殡[式反饋數(shù)據(jù)下，模型的輸出更像是一個(gè)概率預(yù)測(cè)模型，使用似然函數(shù)取對(duì)數(shù)作為損失函數(shù)更合理.模型的訓(xùn)練通過(guò)最小化損失函數(shù)來(lái)完成，這里使用隨機(jī)梯度下降進(jìn)行參數(shù)訓(xùn)練.

3.2 負(fù)采樣

隱式反饋數(shù)據(jù)與顯式反饋數(shù)據(jù)不一樣的地方在于，隱式反饋的數(shù)據(jù)只有用戶對(duì)項(xiàng)目的交互記錄，它并不能反映出用戶對(duì)項(xiàng)目的真實(shí)感受，為了更好的對(duì)用戶和項(xiàng)目建模，科學(xué)的負(fù)采樣至關(guān)重要.傳統(tǒng)隱式反饋數(shù)據(jù)負(fù)樣本的采集一般采用以下兩種方式：1)將所有的未觀察到(用戶與該項(xiàng)目沒有交互記錄)的項(xiàng)目視為負(fù)樣本，然后隨機(jī)抽樣；2)根據(jù)項(xiàng)目的流行度來(lái)采樣，該方法認(rèn)為流行度越高的項(xiàng)目在用戶記錄中未觀察到則其為負(fù)樣本的概率越大，然而這樣就忽略了用戶的個(gè)性化，因?yàn)閷?duì)于熱門的項(xiàng)目來(lái)說(shuō)，所有沒有與之交互的用戶都有很高的概率將其視為負(fù)樣本，這樣顯然不合理.本文將三通道神經(jīng)協(xié)同過(guò)濾算法與Tran[13]等人提出負(fù)樣本采集方法結(jié)合，以此來(lái)緩解隨機(jī)負(fù)采樣對(duì)模型的影響，具體做法如下：首先，假定那些在預(yù)測(cè)評(píng)分排名中評(píng)分較低的項(xiàng)目有很高的概率是用戶的負(fù)樣本，然后利用訓(xùn)練好的廣義矩陣分解模型得到用戶對(duì)項(xiàng)目的預(yù)測(cè)評(píng)分，在隱式反饋中它可以看成用戶與項(xiàng)目交互的概率，對(duì)預(yù)測(cè)評(píng)分由小到大排序，預(yù)測(cè)評(píng)分越小的項(xiàng)目用戶與之交互的概率越小，作為用戶負(fù)樣本的概率就越大，其概率計(jì)算公式如下：

(8)

式中ru[i]表示項(xiàng)目i在用戶u的預(yù)測(cè)評(píng)分排名中的位置，位置越前，為負(fù)樣本的概率越大，然后按概率選取負(fù)樣本即可.

4 實(shí) 驗(yàn)

4.1 數(shù)據(jù)集

本文使用MovieLens電影評(píng)分公開數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集[14]，使用的是包含百萬(wàn)個(gè)評(píng)分?jǐn)?shù)據(jù)的ML-1M版本，每個(gè)用戶至少有20個(gè)評(píng)分記錄，相關(guān)信息見表1.這是顯式反饋數(shù)

表1 數(shù)據(jù)集統(tǒng)計(jì)信息Table 1 Statistics of datasets

據(jù)集，我們需要將其轉(zhuǎn)換為隱式反饋數(shù)據(jù)集，做法如下：將用戶對(duì)項(xiàng)目有過(guò)評(píng)分的項(xiàng)目標(biāo)簽值記為1，否則記為0，由此來(lái)構(gòu)建用戶項(xiàng)目交互矩陣.用戶的輔助信息包括職業(yè)、年齡和性別，項(xiàng)目的輔助信息為電影的類型.

4.2 評(píng)價(jià)指標(biāo)

本次實(shí)驗(yàn)使用留一法來(lái)評(píng)估模型性能表現(xiàn)，將用戶最近的一次交互記錄作為測(cè)試集，其余全部作為訓(xùn)練集.我們?cè)趖op-k推薦中，為每個(gè)用戶隨機(jī)選取100個(gè)沒有交互過(guò)的項(xiàng)目，然后與測(cè)試項(xiàng)目一起進(jìn)行排序去決定top-k推薦項(xiàng)目.本文使用HR(Hit Rate)和NDCG(Normalized Distributed Cumulative Gain，NDCG)這兩個(gè)常用的排序性能指標(biāo)來(lái)評(píng)價(jià)模型，HR直觀地衡量測(cè)試項(xiàng)目是否存在于top-k列表中，而NDCG用來(lái)評(píng)價(jià)排序性能的好壞，其值越高，測(cè)試項(xiàng)目位置越靠前，k取值為10，具體公式如下：

(9)

(10)

(11)

其中number-of-hit@k代表測(cè)試項(xiàng)目在推薦項(xiàng)目列表前10的用戶數(shù)量，|u|代表總的用戶數(shù)量，idealDCG@k代表的是按照相關(guān)性等級(jí)排序得到的折扣累計(jì)增益，r(i)是處于位置i的項(xiàng)目的相關(guān)性等級(jí).

4.3 基準(zhǔn)線

我們將TCNCF模型與以下算法模型進(jìn)行比較：

1)NCF，神經(jīng)協(xié)同過(guò)濾模型，它將GMF與MLP結(jié)合去挖掘用戶與項(xiàng)目之間復(fù)雜的交互函數(shù).

2)DHA-RS[15]，一種改進(jìn)的神經(jīng)協(xié)同過(guò)濾模型，利用自編碼器對(duì)輔助信息處理，然后聯(lián)合GMF或MLP對(duì)用戶項(xiàng)目建模.

3)JRL[16]，一種融合多種異構(gòu)信息的神經(jīng)協(xié)同過(guò)濾模型.

4.4 參數(shù)設(shè)置

本次實(shí)驗(yàn)對(duì)每個(gè)用戶按照正負(fù)樣本1∶4來(lái)構(gòu)建訓(xùn)練集，使用負(fù)采樣方法按概率選取負(fù)樣本，通過(guò)優(yōu)化損失函數(shù)來(lái)更新模型參數(shù).對(duì)于一些超參數(shù)，我們根據(jù)經(jīng)驗(yàn)設(shè)置如下：批次大小設(shè)置為[128，256，512，1024]，與之對(duì)應(yīng)的預(yù)測(cè)因子大小為[8，16，32，64]，與之相對(duì)應(yīng)的學(xué)習(xí)率設(shè)置為[0.0001，0.0005，0.001，0.005]，MLP和AIP隱含層設(shè)為3層.MLP各層的結(jié)點(diǎn)數(shù)按最后一層為預(yù)測(cè)因子數(shù)的一半、前一層為后一層的兩倍這樣的關(guān)系來(lái)設(shè)置(例如，當(dāng)預(yù)測(cè)因子為8時(shí)，MLP各層的結(jié)點(diǎn)數(shù)為32/16/8，相應(yīng)的嵌入向量的維度為16).AIP自編碼器隱含層的維度大小設(shè)置為預(yù)測(cè)因子大小的兩倍，輔助信息特征向量維度大小8，AIP多層感知機(jī)各層的結(jié)點(diǎn)數(shù)按前一層為后一層的兩倍的關(guān)系來(lái)設(shè)置，則當(dāng)預(yù)測(cè)因子維度為8時(shí)，AIP感知機(jī)各層結(jié)點(diǎn)數(shù)為48/24/12.

4.5 實(shí)驗(yàn)結(jié)果與分析

本文將TCNCF模型與其他模型進(jìn)行對(duì)比實(shí)驗(yàn)，通過(guò)改變預(yù)測(cè)因子的維度大小來(lái)觀測(cè)模型的性能變化，從而對(duì)比不同模型之間的性能表現(xiàn).圖2反映的是各模型HR隨著預(yù)測(cè)因子維度變化而變化的情況.HR@10反映的是各模型的測(cè)試項(xiàng)目是否在排名列表前10，將所有測(cè)試項(xiàng)目在用戶排名列表前10的用戶數(shù)除上總的用戶數(shù)，就可以得到HR@10，所以HR@10可以從整體上評(píng)價(jià)模型的準(zhǔn)確度.從圖2中我們可以看出，隨著預(yù)測(cè)因子的維度變大，各模型的命中率也跟著上升，其中TCNCF模型相對(duì)于其他模型表現(xiàn)更佳.相比于NCF模型，TCNCF模型在命中率上提升了3.48%.

圖2 模型在HR@10的結(jié)果Fig.2 Results of the model on HR@10

圖3反映的是各模型NDCG隨著預(yù)測(cè)因子變化而變化的趨勢(shì).NDCG是排序上常用評(píng)價(jià)指標(biāo)，它反映的是排序質(zhì)量的問(wèn)題.對(duì)于本文來(lái)說(shuō)，NDCG反映的是測(cè)試項(xiàng)目在推薦列表中排名是否靠前，其值越大越靠前，說(shuō)明排序質(zhì)量越高.從圖3中可以看出，隨著預(yù)測(cè)因子的增大，各模型的NDCG都呈現(xiàn)上升趨勢(shì)，并且TCNCF模型較其他模型在排序質(zhì)量上有明顯的提升.相比于NCF模型，TCNCF模型在NDCG上提升了4.56%.

圖3 模型在NDCG@10上的結(jié)果Fig.3 Results of the model on NDCG@10

圖4給出了推薦列表長(zhǎng)度k的取值對(duì)模型命中率表現(xiàn)的影響.從圖4中我們可以看出，隨著k值的增大，各模型的命中率逐漸上升且趨于緩和，同時(shí)各模型的表現(xiàn)開始逐漸接近.一般而言，我們更關(guān)注排名列表前10的項(xiàng)目，即各模型在k取值為10以內(nèi)的命中率表現(xiàn)，從圖4中可以看出，TCNCF模型在k取值小于10內(nèi)的命中率表現(xiàn)相比與其他模型具有明顯的優(yōu)勢(shì).

圖4 模型在HR@k的結(jié)果Fig.4 Results of the model on HR@k

圖5展示了推薦列表長(zhǎng)度k的取值對(duì)模型排序質(zhì)量的影響.從圖中我們可以看出，隨著k值的增大，各模型在NDCG上的性能表現(xiàn)開始趨于穩(wěn)定且TCNCF模型性能表現(xiàn)相比于其他模型有較為明顯的優(yōu)勢(shì).對(duì)比圖4和圖5，我們可以看出，雖然各模型在命中率上表現(xiàn)趨于接近的狀態(tài)，但是在NDCG上TCNCF模型相比與其他模型有明顯的優(yōu)越性，這說(shuō)明TCNCF模型的測(cè)試項(xiàng)目在排名列表中的位置相對(duì)靠前，也就是說(shuō)TCNCF模型的排序性能相比于其他模型更好.

圖5 模型在NDCG@k的結(jié)果Fig.5 Results of the model on NDCG@k

表2 消融實(shí)驗(yàn)Table 2 Ablation experiment

為了更好的區(qū)分輔助信息處理和負(fù)采樣對(duì)模型性能的影響，我們做了一組消融實(shí)驗(yàn)，結(jié)果如表2所示.表2中NCF+NS代表的是采用基于MF概率負(fù)采樣的NCF模型，NCF+AIP代表的是融合輔助信息處理的NCF模型.NCF模型采用的是隨機(jī)負(fù)采樣方法，NCF+NS實(shí)驗(yàn)結(jié)果表明采用基于MF概率負(fù)采樣的方法相比于隨機(jī)負(fù)采樣可以提高模型的命中率和排序效果.NCF+AIP實(shí)驗(yàn)結(jié)果表明融合輔助信息后可以提高模型的效果，它提升的效果比改變負(fù)采樣的那組要更好，這說(shuō)明在隱式反饋下，用戶和項(xiàng)目的輔助信息可以幫助模型更好的學(xué)習(xí)用戶和項(xiàng)目的交互關(guān)系.TCNCF模型融合三通道神經(jīng)協(xié)同過(guò)濾算法以及負(fù)采樣方法，在HR@10和NDCG@10取得了最佳表現(xiàn).

5 結(jié)束語(yǔ)

針對(duì)隱式反饋數(shù)據(jù)帶有天噪音不利于模型學(xué)習(xí)的問(wèn)題，本文提出了TCNCF模型，該模型采用自編碼器對(duì)輔助信息進(jìn)行處理然后與傳統(tǒng)的NCF模型融合，提高了模型的泛化能力.面對(duì)不易挖掘的負(fù)樣本，該模型采用了一種基于矩陣分解的按概率負(fù)采樣方法，以此來(lái)提高模型的魯棒性.本文通過(guò)多組實(shí)驗(yàn)，驗(yàn)證了三通道神經(jīng)協(xié)同過(guò)濾算法的有效性，與其他基準(zhǔn)模型相比，TCNCF模型的命中率和排序性能明顯提升，特別是相比于傳統(tǒng)的NCF模型，TCNCF在HR@10和NDCG@10上分別提升了3.48%和4.56%.在今后的工作中，將考慮將時(shí)間權(quán)重融合到模型中，以此來(lái)緩解用戶興趣遷移的問(wèn)題，提升推薦性能.