錢玉婷

(桂林理工大學(xué)商學(xué)院 廣西桂林 541004)

關(guān)鍵字：推薦系統(tǒng)；推薦多樣性；推薦方法

隨著大數(shù)據(jù)時代的到來[1]，人們逐步從信息匱乏時代跨越到信息過載時代[2]。如今人們面臨的信息問題大多是由爆炸式增長的數(shù)據(jù)帶來的[3]，比如難以在紛繁的數(shù)據(jù)中找到符合自己需求的信息。推薦系統(tǒng)由此孕育而生，其憑借信息過濾和信息篩選能力成為有效解決信息過載問題的工具。21世紀(jì)初，史密斯等人提出在推薦過程中引入多樣性概念。推薦多樣性通過增加推薦列表中物品之間的種類，使得推薦物品的覆蓋范圍和用戶興趣的偏好覆蓋范圍更加廣泛，但是目前推薦系統(tǒng)相關(guān)綜述類文章研究的側(cè)重點(diǎn)主要集中在提高推薦的準(zhǔn)確性，缺乏對推薦多樣性的研究。所以，本文從推薦多樣性的角度出發(fā)，對提高推薦多樣性的方法進(jìn)行梳理和總結(jié)。

1 基于長尾效應(yīng)的推薦多樣性方法

基于長尾效應(yīng)的推薦多樣性方法的基本思想是通過增加推薦列表中長尾產(chǎn)品的數(shù)量實現(xiàn)推薦多樣性。研究表明，增加長尾物品的推薦會提高總體多樣性，多樣性強(qiáng)的推薦會給企業(yè)帶來好處[4]。在基于長尾效應(yīng)的推薦多樣性方法中，根據(jù)長尾效應(yīng)增加推薦多樣性方法的不同，又可分為多標(biāo)準(zhǔn)推薦多樣性方法和尾部聚類推薦多樣化方法。

1.1 多標(biāo)準(zhǔn)推薦多樣性方法

多標(biāo)準(zhǔn)推薦多樣性方法是引入物品流行度、用戶偏好度或用戶間相似關(guān)系多個推薦標(biāo)準(zhǔn)對物品重新排序，從而調(diào)節(jié)長尾物品的推薦比例、提高長尾物品的推薦率，進(jìn)而生成最終推薦列表的方法。謝修娟等(2019)[5]在預(yù)測評分時，使用物品流行度權(quán)重來恰當(dāng)?shù)貐f(xié)調(diào)長尾商品與流行商品，懲罰物品流行度對物品推薦期望的影響。劉業(yè)政等(2018)[6]提出一種推薦方法，用戶偏好相似度用余弦相似性來衡量，以達(dá)到優(yōu)化推薦多樣性算法的目的。鄧樂樂等(2021)[7]在結(jié)合熱門物品評分和物品流行度的基礎(chǔ)上，進(jìn)一步優(yōu)化協(xié)同過濾算法，動態(tài)調(diào)整物品權(quán)重，綜合衡量了推薦結(jié)果的多樣性和覆蓋率問題。劉浩翰等[8]通過計算出的用戶間相關(guān)關(guān)系來計算長尾分布約束推薦的推薦權(quán)重，對長尾商品的推薦表現(xiàn)良好。

1.2 尾部聚類推薦多樣性方法

尾部聚類推薦多樣性方法[9]先將整個物品集分成頭部和尾部，再對尾部物品進(jìn)行聚類，最后基于此進(jìn)行多樣性推薦。史明哲等(2018)[10]通過分詞獲取長尾尾部物品信息，抽象出物品主題，再結(jié)合用戶的最終偏好主題進(jìn)行相似度計算，并對相似度進(jìn)行排名，可發(fā)現(xiàn)用戶的未來偏好趨勢，進(jìn)而對尾部商品推薦?？紤]到長尾商品大部分缺少評分?jǐn)?shù)據(jù)這一特點(diǎn)，吳國棟(2020)[11]在選取分割點(diǎn)后，將形成的尾部運(yùn)用Kmeans++進(jìn)行聚類，在長尾推薦帶來多樣性的同時，以有效提高長尾物品推薦的準(zhǔn)確性。徐小菁(2019)[12]以物品流行度作為標(biāo)準(zhǔn)進(jìn)行長尾推薦是存在有偏性的問題，提出ITCC雙聚類和Kmeans聚類算法，在尾部聚類下用戶物品矩陣的稠密度得以提高，優(yōu)化長尾物品的推薦效果。Sinha等(2019)[13]表示通過尾部聚類的方法把相似的用戶聚類到同一個聚類中，可以克服協(xié)同過濾帶來的數(shù)據(jù)稀疏問題，從而提高推薦多樣性。

2 基于二部圖的推薦多樣性方法

基于二部圖的推薦多樣性方法的基本思想是在二部圖的基礎(chǔ)上，結(jié)合物質(zhì)擴(kuò)散和熱傳導(dǎo)思想來提高推薦多樣性。在推薦方法中，二部圖可表示為G(U,O,E)，U為用戶的集合={u，u，u，…，um}，o是物品的集合={o，o，o，…，on}，E是二部圖中的邊所構(gòu)成的集合，其中用戶集合U和物品集合I是兩個互不相交的集合。塔赫基于二部圖推薦提出了著名的基于圖的推薦算法，能夠緩解冷啟動和數(shù)據(jù)稀疏問題，提高推薦結(jié)果的多樣性。鄧松等(2017)[14]在區(qū)分用戶高低評分的基礎(chǔ)上，改進(jìn)二部圖中初始資源分配，從而解決推薦多樣性問題。蘇健民、郭付超(2018)[15]在調(diào)整兩次資源分配方式后，成功向用戶推薦更多符合用戶偏好的產(chǎn)品。王冉等(2018)[16]提出一種基于加權(quán)二部圖的斜坡算法推薦算法，在一定程度上增加推薦結(jié)果的多樣性。劉忠寶等(2018)[17]提出了一種基于二部圖的學(xué)習(xí)資源混合推薦模型，將熱傳導(dǎo)提高推薦多樣性的特點(diǎn)和物質(zhì)擴(kuò)散能提高推薦準(zhǔn)確性的特點(diǎn)結(jié)合起來，并通過設(shè)定可調(diào)參數(shù)λ進(jìn)行調(diào)整。黃繼婷等(2019)[18]提出融合偏好度和二部圖的推薦算法，降低熱門物品推薦概率和提高冷門物品推薦概率，從而達(dá)到提高推薦多樣性的目的。

3 基于行列式點(diǎn)過程的推薦多樣性方法

基于行列式點(diǎn)過程的推薦多樣性方法[19]的基本思想是最大化抽取推薦給用戶的物品集的概率來實現(xiàn)推薦多樣性。DPP是一種用求解行列式來計算概率的方法。Hulu在2018年提出了基于行列式點(diǎn)過程的推薦多樣性提升算法，能同時衡量相關(guān)性和多樣性，并在提高推薦系統(tǒng)多樣性中表現(xiàn)良好。他將基于DPP的推薦多樣性問題轉(zhuǎn)化為MAP問題求解，從而達(dá)到提高推薦多樣性的目的。李金龍基于DPP在求解多目標(biāo)問題時，雖然在核矩陣的定義上與Hulu不同，但其同樣可以綜合評價收斂性和多樣性。李金龍還在求解DPP問題過程中，將DPP轉(zhuǎn)化為k-DPP，借助矩陣的特征值分解降低其時間復(fù)雜程度。行列式點(diǎn)過程推薦多樣化方法，不僅能同時度量物品的多樣性和相關(guān)性，還能簡化計算，提高推薦效率和效果。

4 基于注意力機(jī)制的推薦多樣性方法

基于注意力機(jī)制的推薦多樣性方法的基本思想是利用注意力機(jī)制覆蓋更加全面的用戶興趣范圍，從而提高推薦多樣性。傳統(tǒng)的序列推薦模型重點(diǎn)關(guān)注用戶過去的偏好，所以預(yù)測結(jié)果偏向以往類似或補(bǔ)充的物品，在結(jié)果多樣性上表現(xiàn)不佳?；谧⒁饬C(jī)制的推薦多樣性方法對用戶以往的歷史行為分配權(quán)重，更加全面和有針對性地抓取用戶的興趣點(diǎn)，消除一定程度的“頭部效應(yīng)”，從而在多樣性上表現(xiàn)良好。Hu等(2021)提出了一個多目標(biāo)LPR框架，使用卷積神經(jīng)網(wǎng)絡(luò)捕捉學(xué)習(xí)者之間的動態(tài)交互，建立注意力機(jī)制來根據(jù)內(nèi)容的特點(diǎn)調(diào)整交互行為的權(quán)重，優(yōu)化由交互強(qiáng)度、多樣性和新穎性三個相互沖突的指標(biāo)組成的多目標(biāo)函數(shù)。曲昕彤(2020)[20]在NeuMF的模型基礎(chǔ)上，對多層感知機(jī)部分進(jìn)行改進(jìn)。在權(quán)衡多樣性和有側(cè)重性的精準(zhǔn)推薦前提下，新增注意力機(jī)制來實現(xiàn)局部激活單元。用戶歷史行為向量與物品嵌入向量的外積構(gòu)成前饋神經(jīng)網(wǎng)絡(luò)，從而輸出其激活權(quán)重，即

5 推薦多樣性方法之間的比較

綜上所述，推薦多樣性可以提高推薦質(zhì)量，并且提高推薦多樣性的方法主要基于長尾效應(yīng)、二部圖、行列式點(diǎn)過程及注意力機(jī)制四個方面。本文從性能特點(diǎn)和局限性兩個方面對推薦多樣性方法進(jìn)行比較和總結(jié)。(1)基于長尾效應(yīng)的推薦多樣性方法能比較全面地覆蓋利基產(chǎn)品種類，但準(zhǔn)確性表現(xiàn)不佳。(2)基于二部圖的推薦多樣性方法可在不考慮內(nèi)容特征的前提下，達(dá)到緩解冷啟動和數(shù)據(jù)稀疏等問題，但存在大量信息浪費(fèi)的缺點(diǎn)。(3)基于行列式點(diǎn)過程的推薦多樣性方法，用簡單的行列式計算替換復(fù)雜的概率計算，從而降低時間復(fù)雜度，但粗排序階段需要有相應(yīng)的多樣性策略，否則無法保證其多樣性。(4)基于注意力機(jī)制的推薦多樣性方法，對用戶以往的歷史行為分配權(quán)重，更加全面和有針對性地抓取用戶的興趣點(diǎn)，消除一定程度的“頭部效應(yīng)”，從而在多樣性上表現(xiàn)良好，但計算過程需要大量資源與儲存空間，增加多樣性推薦模型的復(fù)雜度。

6 結(jié)語

大數(shù)據(jù)時代下，推薦多樣性逐步成為推薦領(lǐng)域的熱點(diǎn)，推薦多樣性彌補(bǔ)了以準(zhǔn)確率為目標(biāo)進(jìn)行優(yōu)化的推薦算法所導(dǎo)致的“信息繭房”問題，對信息提供方、用戶和商家而言，都具有重要意義。本文經(jīng)過論文梳理將推薦多樣性方法主要總結(jié)為以下四個：基于長尾效應(yīng)的推薦多樣性方法、基于二部圖的推薦多樣性方法、基于行列式點(diǎn)過程的推薦多樣性方法和基于注意力機(jī)制的推薦多樣性方法，并對這四種推薦多樣性方法的性能特點(diǎn)和局限性做了詳細(xì)比較。但是，提高推薦多樣性的方法還存在不少挑戰(zhàn)，例如推薦多樣性的感知是主觀的，相關(guān)性與多樣性之間的權(quán)衡等，這些都是提高推薦多樣性方法未來需要解決的難題。