戴 興，劉永堅(jiān)，解 慶+，劉平峰

(1.武漢理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430070； 2.武漢理工大學(xué) 經(jīng)濟(jì)學(xué)院，湖北 武漢 430070)

0 引 言

目前基于用戶(hù)和物品的協(xié)同過(guò)濾推薦[1]、基于內(nèi)容的推薦[2]、基于知識(shí)的推薦[3]等主流推薦算法已經(jīng)發(fā)展得較為成熟，并廣泛應(yīng)用于電子商務(wù)、社交網(wǎng)絡(luò)等領(lǐng)域。為了準(zhǔn)確預(yù)測(cè)用戶(hù)對(duì)商品的偏好，用戶(hù)和商品之間的相關(guān)性分析常常應(yīng)用于推薦模型，因?yàn)橘?gòu)買(mǎi)同一商品的用戶(hù)之間以及同一用戶(hù)購(gòu)買(mǎi)的不同商品之間存在相關(guān)性(下文分別用相似用戶(hù)和相似商品表示)，有直接交互的用戶(hù)和商品間也具有一定的關(guān)聯(lián)性(下文用交互商品和交互用戶(hù)表示)。Wu等[4]提出RMG模型利用注意力機(jī)制為用戶(hù)、商品間的相關(guān)性建模，學(xué)習(xí)用戶(hù)和商品的表征預(yù)測(cè)評(píng)分。雖然RMG模型考慮了用戶(hù)、商品間的相關(guān)性，但是忽略了用戶(hù)對(duì)商品不同屬性的偏好差異，以及商品不同屬性的重要程度。此外，傳統(tǒng)推薦算法通常僅提供推薦結(jié)果，用戶(hù)只能被動(dòng)地接受推薦，推薦過(guò)程不具有可解釋性，影響推薦效果和系統(tǒng)成交率。

基于以上分析，本文提出了基于特征權(quán)重與情感偏好的可解釋推薦算法(explainable recommendation based on weighted feature and emotional preference，EWFEP)。該算法從歷史評(píng)論數(shù)據(jù)中挖掘用戶(hù)偏好和商品屬性以及不同商品特征的重要程度，結(jié)合注意力機(jī)制精確刻畫(huà)用戶(hù)/商品表征，并以此設(shè)計(jì)可解釋的推薦算法，同時(shí)引入貝葉斯個(gè)性化排序[5,6]，優(yōu)化整個(gè)算法模型。在最后推薦商品時(shí)提供特征短語(yǔ)級(jí)別的解釋以提高推薦質(zhì)量。在Amazon和Yelp數(shù)據(jù)集中的實(shí)驗(yàn)結(jié)果驗(yàn)證了EWFEP模型的有效性。

1 相關(guān)工作

1.1 基于評(píng)論的推薦方法

近年來(lái)，大量研究[7]驗(yàn)證了利用用戶(hù)對(duì)商品的歷史評(píng)論能夠有效提高推薦的準(zhǔn)確性。最初，學(xué)者們使用主題建模技術(shù)從評(píng)論中提取語(yǔ)義特征，并將語(yǔ)義主題整合到潛在因子學(xué)習(xí)模型中。TLFM模型[8]提出了兩個(gè)單獨(dú)的因子學(xué)習(xí)模型，利用用戶(hù)和項(xiàng)目的情感一致性和文本一致性，將這兩個(gè)模塊結(jié)合在一起進(jìn)行評(píng)分預(yù)測(cè)。然而該方案需要將目標(biāo)用戶(hù)和項(xiàng)目成對(duì)的評(píng)論作為輸入，在實(shí)際應(yīng)用中可行性不高，因此該方法將推薦任務(wù)轉(zhuǎn)變?yōu)榍楦蟹治鋈蝿?wù)。

最近，許多對(duì)評(píng)論的上下文信息建模的研究工作被提出。DeepCoNN模型[9]使用并行的CNN網(wǎng)絡(luò)從用戶(hù)和項(xiàng)目評(píng)論中提取語(yǔ)義特征，然后將提取的特征輸入到分解機(jī)(FM)中進(jìn)行評(píng)分預(yù)測(cè)。TransNet模型[10]在DeepCoNN的基礎(chǔ)上添加額外的隱藏層來(lái)表示用戶(hù)和商品，該隱藏層表示與目標(biāo)用戶(hù)-目標(biāo)項(xiàng)目對(duì)相對(duì)應(yīng)的評(píng)論的近似值，使之與訓(xùn)練集的評(píng)論文本類(lèi)似。D-Attn模型[11]采用全局和局部的注意力機(jī)制來(lái)識(shí)別評(píng)論文檔中的重要單詞，更精確挖掘用戶(hù)和商品的表征預(yù)測(cè)評(píng)分。NARRE[12]認(rèn)為對(duì)于不同的用戶(hù)-項(xiàng)目對(duì)評(píng)論應(yīng)該被區(qū)別對(duì)待，并使用注意機(jī)制選擇有用的評(píng)論，用于評(píng)級(jí)預(yù)測(cè)。MPCN模型[13]利用基于指針的共同注意方案啟用多層次的信息選擇，能夠識(shí)別重要的評(píng)論及評(píng)論中重要的詞，從而更準(zhǔn)確地預(yù)測(cè)評(píng)分。RMG模型[4]使用注意力機(jī)制從評(píng)論中學(xué)習(xí)用戶(hù)和商品的個(gè)性化表示，繼續(xù)使用注意力機(jī)制對(duì)用戶(hù)、商品之間的交互建模，進(jìn)一步學(xué)習(xí)用戶(hù)和項(xiàng)目的表示。上述基于評(píng)論和基于特征的解決方案通過(guò)識(shí)別重要的單詞或特征來(lái)得到用戶(hù)/項(xiàng)目的表征，然后為用戶(hù)項(xiàng)目之間相關(guān)性建模來(lái)提高推薦的質(zhì)量。然而在為用戶(hù)項(xiàng)目相關(guān)性建模時(shí)，忽略了用戶(hù)對(duì)不同特征的關(guān)注度和商品不同屬性的重要程度。

1.2 可解釋推薦

現(xiàn)有研究[14]表明，給用戶(hù)推薦商品的同時(shí)提供合理的推薦理由，不僅可以提高用戶(hù)對(duì)推薦商品的接受度，還能激發(fā)用戶(hù)對(duì)系統(tǒng)的信心，幫助用戶(hù)更快地做出良好的決策以提升決策的效率和有效性。解釋的形式一般包括句子、標(biāo)簽/關(guān)鍵字、特征短語(yǔ)以及不同類(lèi)型的可視化方案等。

MTER[6]從用戶(hù)評(píng)論中構(gòu)建情感詞典，生成3個(gè)三維張量，并將三維張量進(jìn)行Tucker分解，在損失函數(shù)中引入貝葉斯個(gè)性化推薦進(jìn)行優(yōu)化，最后生成自由文本作為解釋。NARRE模型[12]認(rèn)為不同評(píng)論重要性不一樣，通過(guò)注意力機(jī)制給每條評(píng)論賦予一個(gè)權(quán)重，將權(quán)重高的評(píng)論作為解釋呈現(xiàn)給用戶(hù)。MT模型[15]利用對(duì)抗式序列學(xué)習(xí)生成目標(biāo)用戶(hù)對(duì)目標(biāo)項(xiàng)目的評(píng)論作為解釋。Wang等[16]通過(guò)引入決策樹(shù)學(xué)習(xí)決策規(guī)則，與嵌入模型結(jié)合進(jìn)行推薦，使整個(gè)推薦過(guò)程具有解釋性。

上述方法中作為解釋的生成的文本可能會(huì)有語(yǔ)句不順，而且評(píng)論可能只是某個(gè)用戶(hù)的觀點(diǎn)，并不能代表商品的真實(shí)屬性特點(diǎn)。在EWFEP模型中，從評(píng)論中提取顯式特征，并采用TF-IDF確定其權(quán)重，將顯式特征和權(quán)重作為解釋?zhuān)脩?hù)可以更加直觀地了解商品的屬性及其質(zhì)量。

2 可解釋推薦算法EWFEP

本節(jié)將詳細(xì)介紹本文提出的EWFEP模型。如圖1所示，EWFEP模型由3個(gè)模塊組成：模塊一是文本處理模塊，從評(píng)論文本中提取特征及其情感構(gòu)建情感詞典，然后構(gòu)建用戶(hù)/商品表征，并確定特征權(quán)重；模塊二是交互建模模塊，為用戶(hù)-用戶(hù)、商品-商品、用戶(hù)-商品間的相關(guān)性建模，結(jié)合模塊一中的特征權(quán)重學(xué)習(xí)最終用戶(hù)/商品的表征；模塊三是預(yù)測(cè)層，主要負(fù)責(zé)結(jié)合模塊二中得到的用戶(hù)和商品表征與評(píng)分矩陣中挖掘出的潛在向量進(jìn)行評(píng)分預(yù)測(cè)，并引入貝葉斯個(gè)性化排序減小評(píng)分預(yù)測(cè)誤差，提升模型性能。

圖1 EWFEP模型框架

2.1 文本處理模塊

2.1.1 構(gòu)建情感詞典

由于用戶(hù)在評(píng)論中提及特征的頻次及其表達(dá)的情感傾向能夠反映出用戶(hù)的偏好以及商品的屬性質(zhì)量，因此首先從評(píng)論文本中構(gòu)建情感詞典。這個(gè)過(guò)程主要分為兩步：首先采用語(yǔ)法和形態(tài)學(xué)分析工具從評(píng)論文本中提取特征詞集F，根據(jù)提取到的特征詞，匹配對(duì)應(yīng)的情感詞；然后利用知網(wǎng)的情感分析詞語(yǔ)集確定該特征的情感因子(若檢測(cè)存在否定詞，則將情感極性逆轉(zhuǎn))。從評(píng)論文本中提取出一系列二元組(f,s)構(gòu)建情感詞典，其中f表示特征，s為該特征對(duì)應(yīng)的情感因子。本文將知網(wǎng)情感分析用語(yǔ)集劃分為5個(gè)情感程度等級(jí)，如式(1)所示

(1)

2.1.2 建立初始表征矩陣與特征權(quán)重矩陣

假設(shè)F={f1,f2,…,fn} 表示評(píng)論中出現(xiàn)頻率最高的n個(gè)特征，U={u1,u2,…,um} 表示m個(gè)用戶(hù)，對(duì)于用戶(hù)ui， 假設(shè)特征fj在與其相關(guān)評(píng)論中出現(xiàn)tij次。為了將tij縮放到與評(píng)分矩陣相同的范圍[1,N]，通過(guò)式(2)進(jìn)行映射，則用戶(hù)特征矩陣Ur的對(duì)應(yīng)元素為

(2)

其中，N表示滿分評(píng)分，一般為5，如Amazon和Yelp。

評(píng)論中表達(dá)對(duì)商品屬性的情感可以體現(xiàn)商品該屬性的質(zhì)量，因此在構(gòu)建商品屬性矩陣時(shí)需要考慮商品屬性對(duì)應(yīng)的情感程度。類(lèi)似地，假設(shè)P={p1,p2,…,po} 表示o件商品，屬性fj在商品pi相關(guān)評(píng)論中出現(xiàn)t次，t次的情感均值為sij， 則商品屬性矩陣Pr的對(duì)應(yīng)元素為

(3)

通常用戶(hù)對(duì)不同特征關(guān)注度不同，商品不同屬性的重要性也不同，且用戶(hù)傾向于在評(píng)論中頻繁提及其關(guān)注的特征，同時(shí)評(píng)論中特征對(duì)應(yīng)的情感傾向可以體現(xiàn)商品的屬性質(zhì)量。因此利用從評(píng)論中提取出的特征及其情感極性構(gòu)建用戶(hù)特征權(quán)重矩陣和商品屬性權(quán)重矩陣。

TF-IDF(term frequency-inverse document frequency)算法一般用來(lái)計(jì)算文檔中某個(gè)詞的重要性，本文采用TF-IDF的思想計(jì)算用戶(hù)特征權(quán)重和商品屬性權(quán)重。用戶(hù)特征權(quán)重矩陣與商品屬性權(quán)重矩陣構(gòu)建類(lèi)似，本節(jié)以用戶(hù)特征權(quán)重矩陣的構(gòu)建為例，商品屬性權(quán)重矩陣同理。TFij代表用戶(hù)ui相關(guān)評(píng)論中特征fj出現(xiàn)的次數(shù)占用戶(hù)ui評(píng)論中所有特征出現(xiàn)次數(shù)的比重，TFij越大表示用戶(hù)ui對(duì)特征fj的關(guān)注度越高。IDF(j) 代表屬性fj在所有用戶(hù)中提及該特征的用戶(hù)數(shù)比重，IDF(j) 越大表示提及屬性j的用戶(hù)越少，說(shuō)明屬性j對(duì)目標(biāo)用戶(hù)越重要。用戶(hù)ui對(duì)特征fj的關(guān)注度wij計(jì)算式(4)～式(6)

(4)

(5)

wij=TFij*IDF(j)

(6)

2.1.3 表征優(yōu)化

(7)

(8)

(9)

(10)

(11)

其中，k是一個(gè)比例系數(shù)，本文將通過(guò)實(shí)驗(yàn)研究k的取值對(duì)模型性能的影響。同理，用戶(hù)的特征權(quán)重矩陣和商品的屬性權(quán)重矩陣進(jìn)行同樣的迭代處理。

2.2 交互建模模塊

用戶(hù)和商品并不相互獨(dú)立，用戶(hù)與用戶(hù)之間，商品與商品之間以及用戶(hù)與商品之間都存在一定的相關(guān)性。如圖2所示(圓圈代表用戶(hù)或商品，線表示購(gòu)買(mǎi)或評(píng)論行為)，由于u1購(gòu)買(mǎi)了p1也購(gòu)買(mǎi)了p2、p3，u2購(gòu)買(mǎi)了p1，u3購(gòu)買(mǎi)了p1，也購(gòu)買(mǎi)了p4。因此p1與u1，u2，u3有關(guān)聯(lián)，同時(shí)也與p2，p3，p4有一定的關(guān)聯(lián)。本節(jié)將具體研究用戶(hù)商品間的相關(guān)性及其在推薦模型中的作用。

圖2 用戶(hù)商品交互

(12)

(13)

(14)

其中，w和b是可調(diào)參數(shù)，β是交互商品相應(yīng)的注意權(quán)重。

由于式(14)未考慮用戶(hù)對(duì)不同特征的關(guān)注度以及不同屬性對(duì)商品的重要程度，因此引入2.1.2節(jié)中得到的權(quán)重矩陣，則相似用戶(hù)對(duì)目標(biāo)用戶(hù)的特征偏好貢獻(xiàn)為

(15)

(16)

(17)

同理，可以得到商品的優(yōu)化表征向量。

2.3 預(yù)測(cè)層

2.3.1 評(píng)分預(yù)測(cè)

評(píng)分矩陣中也包含豐富的用戶(hù)和商品信息，因此引入潛在因子模型(latent factor model，LFM)，通過(guò)矩陣分解技術(shù)從評(píng)分矩陣中學(xué)習(xí)用戶(hù)和商品的潛在特征向量，并將潛在特征與顯式特征建立映射關(guān)系

(18)

其中，pu∈Rm×n，qi∈Ro×n，n為上文選取的特征數(shù)，bu、bi、μ分別是用戶(hù)偏量、商品偏量和全局偏量。結(jié)合評(píng)論中挖掘到的表征，采用LFM的思想根據(jù)式(19)預(yù)測(cè)評(píng)分

R′u,i=W(Uf+pu)*(Pf+qi)T+bu+bi+μ

(19)

其中，W為參數(shù)，Uf和Pf分別是評(píng)論中學(xué)習(xí)的用戶(hù)和商品表征，bu、bi、μ為用戶(hù)偏量、商品偏量和全局偏量。如果將W置為1，忽略Uf和Pf， EWFEP模型就變成了潛在因子模型。

2.3.2 貝葉斯個(gè)性化排序優(yōu)化

貝葉斯個(gè)性化排序(Bayesian personalized ranking，BPR)是基于矩陣分解的一種排序算法。BPR代替了SVD中的逐點(diǎn)學(xué)習(xí)，對(duì)一個(gè)用戶(hù)和兩個(gè)項(xiàng)目的三元組建模。如果用戶(hù)u與項(xiàng)目i有交互，則假定相比所有其它未交互的項(xiàng)目，用戶(hù)更喜歡該項(xiàng)目。在訓(xùn)練集中構(gòu)建三元組 ， 在本模型中表示：①用戶(hù)u對(duì)商品i有歷史評(píng)分或評(píng)論，而對(duì)商品j沒(méi)有任何歷史評(píng)分或評(píng)論；②用戶(hù)u對(duì)商品i和商品j都有歷史評(píng)分，但對(duì)i的評(píng)分比商品j的評(píng)分高。BPR的優(yōu)化目標(biāo)基于最大后驗(yàn)估計(jì)概率，化簡(jiǎn)后見(jiàn)式(20)

(20)

其中，σ是sigmoid函數(shù)，是在原始數(shù)據(jù)集中構(gòu)建出的三元組數(shù)據(jù)集，λ是正則化參數(shù)。

引入貝葉斯個(gè)性化排序后模型的損失函數(shù)為

(21)

其中，rij為真實(shí)評(píng)分，r′ij、r′ik為預(yù)測(cè)評(píng)分。

2.4 推薦解釋性分析

傳統(tǒng)的推薦算法模型很難在生成推薦結(jié)果時(shí)提供推薦理由。本文特征屬性的權(quán)重可以直接表示用戶(hù)的偏好和商品屬性的質(zhì)量。將特征屬性和權(quán)重作為推薦解釋?zhuān)脩?hù)可以直觀了解推薦理由，以便做出明智的決定。

應(yīng)該將用戶(hù)關(guān)注度較高且商品有較好質(zhì)量的特征屬性作為解釋。本文綜合考慮2.1.2節(jié)中構(gòu)建的用戶(hù)特征權(quán)重矩陣Wu和商品屬性權(quán)重矩陣Wp， 將對(duì)應(yīng)的特征與屬性權(quán)重相乘作為最終權(quán)重矩陣W(見(jiàn)式(22))，同時(shí)考慮到了用戶(hù)的偏好和商品的屬性質(zhì)量。生成推薦結(jié)果后，選取其中最重要的3個(gè)特征和權(quán)重值作為解釋?zhuān)扑]結(jié)果一起提供給用戶(hù)

W=Wu?Wi

(22)

其中，?表示矩陣對(duì)應(yīng)元素相乘。

例如給用戶(hù)推薦一家餐廳，EWFEP模型提供的解釋如圖3所示，用戶(hù)可以快速了解自己關(guān)注且餐廳較突出的特征及其權(quán)重，進(jìn)而決定是否在該餐廳用餐。

圖3 解釋樣例

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置

為了驗(yàn)證EWFEP模型的有效性，在Amazon中的Toys_and_Games,Kindle_Store和Movies_and_TV以及Yelp Challenge (下文分別用Toys,Kindle,Movies和Yelp表示)4個(gè)公開(kāi)數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn)。這些數(shù)據(jù)集涵蓋了不同領(lǐng)域，其中Yelp是最大的數(shù)據(jù)集，包含超過(guò)300萬(wàn)條評(píng)論，而Toys是其中最小的數(shù)據(jù)集，僅約16萬(wàn)條評(píng)論。由于原始數(shù)據(jù)非常大且稀疏，本文對(duì)所有數(shù)據(jù)集進(jìn)行了預(yù)處理，僅保留評(píng)分或評(píng)論記錄不少于5，且評(píng)論中提取出特征數(shù)不少于10的用戶(hù)和商品。數(shù)據(jù)集的詳細(xì)信息見(jiàn)表1。

表1 數(shù)據(jù)集的詳細(xì)特征

3.2 評(píng)價(jià)指標(biāo)

評(píng)分預(yù)測(cè)任務(wù)通常用均方根誤差(RMSE)、均方誤差(MSE)或平均絕對(duì)值誤差(MAE)作為評(píng)價(jià)指標(biāo)，本文采用RMSE作為模型性能的評(píng)價(jià)指標(biāo)，RMSE值越小表示模型性能越好。RMSE的計(jì)算見(jiàn)式(23)

(23)

其中， |TestSet| 代表測(cè)試集中的評(píng)分記錄數(shù)。

3.3 比例系數(shù)k值的影響

比例系數(shù)k的取值會(huì)直接影響用戶(hù)和商品的表征，進(jìn)而影響模型的性能。本文通過(guò)對(duì)k取不同值進(jìn)行對(duì)比實(shí)驗(yàn)研究k值對(duì)EWFEP模型性能的影響。

實(shí)驗(yàn)結(jié)果如圖4所示，從圖4中可以看出當(dāng)k取值較小時(shí)，EWFEP模型的誤差較大，隨著k值增大，EWFEP模型的性能逐漸提升，當(dāng)?shù)竭_(dá)某個(gè)閾值后，EWFEP模型的效果隨著k值的繼續(xù)增大而逐漸變差。這是因?yàn)檩^小的k值會(huì)影響評(píng)論中挖掘的表征特征屬性的關(guān)系，而較大的k值會(huì)導(dǎo)致評(píng)論中挖掘的表征存在偏差，且具有一定的數(shù)據(jù)稀疏性，影響了模型的性能。從圖中可以看出當(dāng)k取值為0.6時(shí)，各數(shù)據(jù)集的誤差都達(dá)到最小，模型性能達(dá)到最佳，因此本文比例系數(shù)k取值為0.6。

圖4 k值的影響

3.4 特征權(quán)重的影響

在本小節(jié)，通過(guò)對(duì)比實(shí)驗(yàn)研究特征權(quán)重對(duì)EWFEP模型的影響。將EWFEP模型與其變體EWFEP-b忽略特征權(quán)重進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖5所示。結(jié)果表明在建模時(shí)考慮不同特征權(quán)重能夠有效減小評(píng)分預(yù)測(cè)誤差。這符合預(yù)期，因?yàn)椴煌挠脩?hù)對(duì)特征的關(guān)注度不同，不同商品屬性的重要程度也不同。在建模時(shí)考慮特征的權(quán)重，學(xué)習(xí)到的用戶(hù)和商品的表征更貼近其真實(shí)表征。

圖5 特征權(quán)重的影響

3.5 特征數(shù)的影響

本小節(jié)通過(guò)實(shí)驗(yàn)研究特征數(shù)n對(duì)EWFEP模型性能的影響。本文依次選取特征數(shù)為 (10,20,30,40,50,60,70,80,90,100) 進(jìn)行實(shí)驗(yàn)，結(jié)果如圖6所示。從圖6中可以看出，當(dāng)選取的特征數(shù)n較小時(shí)，模型性能不佳，選取的特征數(shù)n太大時(shí)，模型的性能也逐漸下降，只有選取合適的特征數(shù)時(shí)，模型的性能達(dá)到最佳。因?yàn)檫x取的特征數(shù)較小時(shí)，大量有用信息被丟失，不能準(zhǔn)確表示用戶(hù)的偏好和商品的屬性；而特征數(shù)選取太大會(huì)引入大量噪聲，另外用戶(hù)常關(guān)注的特征數(shù)量有限，選取特征數(shù)過(guò)大會(huì)由于大量用戶(hù)未提及這些特征，造成用戶(hù)和商品的表征矩陣更加稀疏，直接影響模型效果，因此針對(duì)不同領(lǐng)域應(yīng)選取合適的特征數(shù)。數(shù)據(jù)集Toys和yelp特征數(shù)為50時(shí)，模型的效果達(dá)到最好，而數(shù)據(jù)集Kindle和Movies特征數(shù)為60時(shí)，模型表現(xiàn)最好。

圖6 特征數(shù)的影響

3.6 性能評(píng)估

3.6.1 對(duì)比模型

實(shí)驗(yàn)通過(guò)與幾種基準(zhǔn)方法對(duì)比來(lái)評(píng)估EWFEP模型的性能?；鶞?zhǔn)方法選取了3個(gè)目前較為先進(jìn)的模型：

(1)DeepCoNN[9]：深度協(xié)同神經(jīng)網(wǎng)絡(luò)，利用深度學(xué)習(xí)技術(shù)對(duì)文本評(píng)論中的用戶(hù)和項(xiàng)目進(jìn)行聯(lián)合建模的最早方法。

(2)Attn+CNN[17]：基于注意力機(jī)制的CNN，同時(shí)使用CNN和對(duì)單詞嵌入的注意力機(jī)制從評(píng)論中學(xué)習(xí)用戶(hù)和商品的表示。

(3)NARRE[12]：具有評(píng)論級(jí)別解釋的神經(jīng)注意評(píng)分回歸模型，該模型使用注意力機(jī)制對(duì)商品評(píng)論的信息性進(jìn)行建模。

(4)EWFEP：本文提出的模型，從評(píng)論中提取顯式特征表示用戶(hù)和商品的表征，為用戶(hù)商品交互建模并考慮用戶(hù)和商品特征屬性的重要程度得到最終的表征進(jìn)行評(píng)分預(yù)測(cè)。

選取的基準(zhǔn)方法中DeepCoNN是僅使用了評(píng)論文本的深度學(xué)習(xí)模型，Attn+CNN和NARRE模型結(jié)合了評(píng)分?jǐn)?shù)據(jù)，并加入了注意力機(jī)制，EWFEP模型同時(shí)使用評(píng)分與評(píng)論，并引入注意力機(jī)制和深度學(xué)習(xí)技術(shù)，同時(shí)為用戶(hù)商品交互建模時(shí)考慮不同特征屬性的重要程度。各種方法具有的特征總結(jié)見(jiàn)表2。

表2 各種方法具有的特征

3.6.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)隨機(jī)將每個(gè)數(shù)據(jù)集的80%作為訓(xùn)練集，10%作為驗(yàn)證集，剩下的10%作為測(cè)試集。通過(guò)訓(xùn)練集訓(xùn)練參數(shù)，驗(yàn)證集選取參數(shù)，測(cè)試集評(píng)估模型性能。EWFEP模型正則參數(shù)λ=0.001，防止過(guò)擬合dropout=0.5，attention_size=64。

3.6.3 對(duì)比結(jié)果分析

EWFEP模型與其它對(duì)比模型的實(shí)驗(yàn)結(jié)果見(jiàn)表3。從表中可以得出以下結(jié)論。

表3 不同模型對(duì)比結(jié)果

(1)本文的EWFEP模型在4個(gè)數(shù)據(jù)集中的評(píng)分預(yù)測(cè)誤差比次優(yōu)的模型均降低了3%以上，4個(gè)數(shù)據(jù)集的平均預(yù)測(cè)誤差降低了3.62%，最大降低了4.93%。

(2)同時(shí)考慮評(píng)分?jǐn)?shù)據(jù)和評(píng)論文本的模型比僅考慮評(píng)論文本的性能更好。因?yàn)樵u(píng)分?jǐn)?shù)據(jù)中包含了大量用戶(hù)和商品信息，作為評(píng)論文本的補(bǔ)充，能夠更準(zhǔn)確學(xué)習(xí)用戶(hù)的偏好和商品的屬性。

(3)引入了注意力機(jī)制的模型比未使用注意力機(jī)制的效果更好。因?yàn)樽⒁饬C(jī)制可以為重要的詞、句子、評(píng)論、用戶(hù)/商品等分配更高的權(quán)重，能更好挖掘用戶(hù)的偏好和商品的屬性。

(4)考慮了用戶(hù)和商品之間相關(guān)性以及特征屬性重要程度的比未考慮的表現(xiàn)更佳。這與直觀理解相符，用戶(hù)商品之間不是相互獨(dú)立的，用戶(hù)與其相似用戶(hù)和交互商品具有一定的相關(guān)性，商品同樣與其相似商品和交互用戶(hù)有關(guān)聯(lián)性，且用戶(hù)對(duì)不同特征的關(guān)注度不同，商品不同屬性的重要性也不同。

4 結(jié)束語(yǔ)

本文提出了一種基于特征權(quán)重與情感偏好的可解釋推薦算法EWFEP，該方法從評(píng)論中提取出特征及其情感程度，構(gòu)建用戶(hù)和商品的表征并利用TF-IDF算法確定特征的權(quán)重。在為用戶(hù)/商品之間的相關(guān)性建模時(shí)考慮不同特征的權(quán)重，可以更準(zhǔn)確學(xué)習(xí)用戶(hù)的偏好和商品的屬性。在生成推薦商品時(shí)，結(jié)合商品屬性權(quán)重與用戶(hù)偏好，將權(quán)重最大的3個(gè)特征屬性作為解釋。在4個(gè)真實(shí)數(shù)據(jù)集中的對(duì)比實(shí)驗(yàn)結(jié)果表明，EWFEP模型的準(zhǔn)確度有較大提升。下一步工作將重點(diǎn)研究用戶(hù)商品間的高階交互，更精準(zhǔn)挖掘用戶(hù)的偏好和商品的屬性，進(jìn)一步提升模型的效果。