魏紫鈺，朱小棟，徐 怡

上海理工大學(xué) 管理學(xué)院，上海 200093

在大數(shù)據(jù)時(shí)代，信息種類越來越多，體量越來越大，并且用戶在新聞閱讀、電子商務(wù)、視頻娛樂等平臺(tái)偏好于從平臺(tái)推薦來獲取信息[1]。如果能將這些信息精準(zhǔn)地推薦給用戶，那么就會(huì)有巨大的商業(yè)價(jià)值，因此推薦算法已經(jīng)越來越成為學(xué)者研究的方向。

推薦算法模型主要分為基于內(nèi)容的推薦、基于協(xié)同過濾的推薦，以及其他推薦算法[2]，其中應(yīng)用范圍最廣的是協(xié)同過濾推薦算法[3]，基本思想是利用所有用戶的協(xié)作行為來預(yù)測(cè)目標(biāo)用戶的行為[4]。協(xié)同過濾算法中的核心主要是基于矩陣分解（MF）的推薦算法，矩陣分解技術(shù)根據(jù)用戶和項(xiàng)目的特征構(gòu)建了一個(gè)評(píng)分矩陣，通過內(nèi)積的方式去重構(gòu)矩陣。但是僅僅依靠用戶和項(xiàng)目的基本特征是無法挖掘出更深層次的關(guān)聯(lián)性，因而無法更加準(zhǔn)確地作出推薦[5]。

基于協(xié)同過濾的推薦算法還存在一些問題。當(dāng)需要推薦新的用戶或者新的項(xiàng)目時(shí)，沒有相關(guān)的歷史數(shù)據(jù)，無法針對(duì)其進(jìn)行推薦，遇到冷啟動(dòng)問題。并且，不是所有的用戶和項(xiàng)目都有交互數(shù)據(jù)，導(dǎo)致評(píng)分?jǐn)?shù)據(jù)稀疏，遇到數(shù)據(jù)稀疏性問題[6-7]。同時(shí)，如何能夠提取用戶和物品中的特征，也是需要考慮的問題。

對(duì)于冷啟動(dòng)問題，Dureddy等人[8]創(chuàng)新提出了一種利用冷啟動(dòng)用戶來生成用戶嵌入的方法，主要是通過讓冷啟動(dòng)用戶回答幾個(gè)問題，再將問題和答案?jìng)鬟f到推薦模型中，在一定程度上能解決冷啟動(dòng)問題。對(duì)于數(shù)據(jù)稀疏性問題，Wang等人[9]提出了名為協(xié)作深度學(xué)習(xí)的分層貝葉斯模型，通過結(jié)合內(nèi)容信息深度表示和評(píng)分矩陣的協(xié)同過濾方法，能夠有效地緩解輔助信息的稀疏問題。Lei等人[10]提出了DeepCoNN模型，該模型通過兩個(gè)并列的神經(jīng)網(wǎng)絡(luò)，分別學(xué)習(xí)用戶和項(xiàng)目的特征信息，最后通過一個(gè)共享層將兩個(gè)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果融合起來，最后得到預(yù)測(cè)評(píng)級(jí)。在對(duì)于特征提取方面，李同歡等人[11]提出的多交互混合推薦模型，將輸入信息通過多層交互的非線性深度學(xué)習(xí)網(wǎng)絡(luò)融合了多種輔助信息，從而能獲得不同層次的特征表示結(jié)果，在一定程度上緩解了數(shù)據(jù)稀疏性的問題。劉振鵬等人[12]將用戶和項(xiàng)目的隱藏特征學(xué)習(xí)出來，再結(jié)合用戶的評(píng)分提出了一種新的混合推薦模型。馮楚瀅等人[13]提出了一種協(xié)同深度學(xué)習(xí)算法，利用深度學(xué)習(xí)訓(xùn)練大量數(shù)據(jù)，融入?yún)f(xié)同過濾進(jìn)行推薦。陳彬等人[14]提出一種基于深度神經(jīng)網(wǎng)絡(luò)和深度交叉網(wǎng)絡(luò)以及因子分解劑的混合推薦模型，充分挖掘?qū)傩蕴卣鏖g的隱性關(guān)聯(lián)關(guān)系。Alfarhood等人[15]提出DeepHCF是目前理論和實(shí)驗(yàn)效果都比較出色的融合模型。該模型使用深層神經(jīng)網(wǎng)絡(luò)挖掘用戶和項(xiàng)目的隱表示，將用戶和項(xiàng)目隱表示輸入因子分解機(jī)預(yù)測(cè)評(píng)分。

周傳華等人[16]在DeepHCF的基礎(chǔ)上進(jìn)行了改進(jìn)，針對(duì)個(gè)性化推薦中用戶評(píng)分矩陣數(shù)據(jù)集稀疏的問題，充分利用用戶和項(xiàng)目描述信息，提出了DeepRec算法。這些研究都能夠一定程度上解決冷啟動(dòng)問題，同時(shí)有效緩解了數(shù)據(jù)稀疏性。但時(shí)間因素也會(huì)對(duì)于推薦結(jié)果產(chǎn)生重要影響。

針對(duì)時(shí)間因素，Wu等人[17]提出用一個(gè)深度循環(huán)神經(jīng)網(wǎng)絡(luò)來追蹤用戶如何瀏覽網(wǎng)頁，通過構(gòu)建隱藏層模擬用戶訪問的網(wǎng)頁組合和順序，同時(shí)利用GRU更好地提升了效果。Wu等人[18]提出一種基于LSTM（long shortterm memory）的循環(huán)推薦網(wǎng)絡(luò)（RRN）以適應(yīng)用戶和項(xiàng)目隨時(shí)間的動(dòng)態(tài)性。Sun等人[19]提出一種基于注意力的循環(huán)網(wǎng)絡(luò)社交推薦方法（ARSE），通過融合用戶之間的社交影響來模擬用戶隨時(shí)間變化的偏好。同時(shí)，卷積神經(jīng)網(wǎng)絡(luò)對(duì)于推薦系統(tǒng)的性能提高也是一個(gè)有利的工具。蔡念等人[20]提出一種改進(jìn)矩陣分解與跨通道卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的推薦模型，將用戶對(duì)項(xiàng)目的評(píng)價(jià)文本信息特征提取，提高預(yù)測(cè)模型的準(zhǔn)確度。

綜上所述，如果能充分利用用戶在時(shí)間維度上的信息來挖掘用戶的隱藏偏好，這樣就能夠提高推薦的準(zhǔn)確度。因此，本文的主要貢獻(xiàn)是：首先模型使用二進(jìn)制的表示法表示用戶與項(xiàng)目的ID編號(hào)，有效地緩解了one-hot編碼帶來的數(shù)據(jù)稀疏性問題。其次提出了兩種結(jié)合時(shí)間特征的協(xié)同過濾深度推薦算法，提取出了用戶和項(xiàng)目特征之間的隱藏特征，結(jié)合時(shí)間戳信息，通過深度神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和推薦。其中，C-DRAWT算法利用卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，能夠有效提取用戶近期的偏好；M-DRAWT算法利用多層感知機(jī)的特點(diǎn)，能夠挖掘用戶的歷史偏好，以提高推薦的效率與準(zhǔn)確度。在MovieLens數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文提出的C-DRAWT和M-DRAWT算法有優(yōu)于前人模型的效果。

1 相關(guān)工作

1.1 隱藏特征提取

本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的隱藏特征時(shí)間異構(gòu)推薦算法主要思路流程如圖1所示，通過對(duì)原User和Item的數(shù)據(jù)進(jìn)行處理，將數(shù)據(jù)全部數(shù)值化。

圖1 隱藏特征提取算法結(jié)構(gòu)Fig.1 Structure of hidden feature extraction

定義1對(duì)于User方面，用戶集的定義為：

定義2則對(duì)于所有User的用戶集表示為：

定義3對(duì)于Item方面，用戶集的定義為：

定義4則對(duì)于所有Item的用戶集表示為：

將Uinf與Iinf分別輸入至兩個(gè)嵌入層中，將其各自設(shè)置確定的維度，得到對(duì)應(yīng)維度的特征表示。并將兩方數(shù)據(jù)分別放入兩個(gè)全連接層，得到更深層次的特征表示，同時(shí)也為了更新維度。全連接層表示為：

另外在Item一側(cè)，因?yàn)槲谋拘畔⑼嗟碾[藏特征，因此將包含文本的原始數(shù)據(jù)單獨(dú)放入圖2所示的TextCNN模型中，得到從文本中提取的特征信息后，再與其他Item特征從全連接層得到的特征表示融合在一起，進(jìn)一步放入一個(gè)新的全連接層，得到最終提取到的Item隱藏特征。

圖2 TextCNN結(jié)構(gòu)Fig.2 Structure of TextCNN

同時(shí)為了統(tǒng)一維度，用戶數(shù)據(jù)也一同放入200維的全連接層，得到最終提取的基于User的隱藏特征User Feature與基于Item的隱藏特征Item Feature。中間層得到需要的隱藏特征之后，需要進(jìn)行輸出訓(xùn)練優(yōu)化以得到最好的結(jié)果。所以將User Feature與Movie Feature一同放入全連接層以輸出預(yù)測(cè)的用戶對(duì)電影的評(píng)分，與實(shí)際第三個(gè)數(shù)據(jù)集中真實(shí)的評(píng)分相擬合，利用MSE以降低誤差進(jìn)行訓(xùn)練優(yōu)化，以得到最優(yōu)的User Feature與Item Feature/Movie Feature。

當(dāng)?shù)玫接脩籼卣髋c項(xiàng)目特征，接下來根據(jù)時(shí)間戳來構(gòu)建想要的數(shù)據(jù)。時(shí)間戳的結(jié)構(gòu)為，用戶第t(t∈[1,3])時(shí)刻選擇過的項(xiàng)目的ID和特征，以及用戶對(duì)于該項(xiàng)目的評(píng)分。本文采用二進(jìn)制編碼的形式，對(duì)UserID和ItemID進(jìn)行編碼，就會(huì)極其有效地降低了one-hot編碼導(dǎo)致的內(nèi)存的消耗與數(shù)據(jù)稀疏問題。

數(shù)據(jù)按照時(shí)間戳的順序進(jìn)行排列，完整整合之后是864維的數(shù)據(jù)格式，并且與之相對(duì)的y值是在第四時(shí)刻用戶購(gòu)買或者想看的項(xiàng)目ID，同樣也是利用二進(jìn)制表示方法，結(jié)構(gòu)如圖3所示。

圖3 時(shí)間戳特征拼接Fig.3 Timestamp concat

1.2 C-DRAWT

本文提出的第一個(gè)模型是基于卷積神經(jīng)網(wǎng)絡(luò)而設(shè)計(jì)的協(xié)同過濾深度推薦模型C-DRAWT。

本文所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。輸入的數(shù)據(jù)是隱藏特征提取部分提取出來的隱藏特征向量。首先是第一層一維卷積形成特征圖mi，卷積核大小設(shè)置為600×1，以便融合后續(xù)第二時(shí)刻和第三時(shí)刻的Item信息，公式如下。其中，F(xiàn)表示卷積核，*表示卷積運(yùn)算，bi表示偏置項(xiàng)，f()·表示一個(gè)非線性激活函數(shù)，本模型中使用Relu函數(shù)。

圖4 C-DRAWT中的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of CNN in C-DRAWT

接下來連接池化層，本文采用的池化方法為最大池化法（Max-pooling），目的是通過消除非極大值來降低需要運(yùn)算的參數(shù)量，從而降低運(yùn)算復(fù)雜度，在一定程度上也控制了過擬合。其中，池化窗口大小設(shè)置為3。其中，p表示池化結(jié)果，max(·)表示最大池化操作。

隨后再連接兩個(gè)卷積層，其中兩個(gè)卷積核的大小分別為60×1和10×1。隨后連接一個(gè)池化層，同樣為最大池化，池化窗口大小為3，池化結(jié)果連接了一個(gè)Flatten層和一個(gè)Dropout層，以平坦數(shù)據(jù)維度和增加泛化能力。

最后，輸出層輸出維度為12的結(jié)果，也就是本文所要預(yù)測(cè)的時(shí)間戳t=4時(shí)的項(xiàng)目ID，即下一時(shí)刻用戶最想看到的項(xiàng)目。

1.3 M-DRAWT

本文提出的第二個(gè)模型是結(jié)合MLP所提出的基于MLP的時(shí)間異質(zhì)深度推薦模型M-DRAWT（MLP-deep recommend model with time），此模型所利用的多層感知機(jī)結(jié)構(gòu)如圖5所示。

本文采用的多層感知機(jī)是包括輸出層在內(nèi)的一共5層的網(wǎng)絡(luò)結(jié)構(gòu)，將特征集合D輸入到4層MLP中，輸出維度為12維，也就是本文要的第四時(shí)刻項(xiàng)目的ID，即下一時(shí)刻用戶最想觀看或購(gòu)買的項(xiàng)目的是哪一個(gè)，并且在每一層全連接層中間都會(huì)有Dropout層進(jìn)行神經(jīng)元的丟棄，丟棄概率都設(shè)置為0.5，以減少模型參數(shù)，增加模型的泛化能力，避免過擬合，完整的M-DRAWT結(jié)構(gòu)如圖5所示。

圖5 M-DRAWT中的多層感知機(jī)結(jié)構(gòu)Fig.5 Structure of MLP in M-DRAWT

其中，x0為第一層輸出值，xj為后三層輸出值，W1和Wj表示權(quán)重，f(·)表示激活函數(shù)，b"1表示偏置向量。

2 基于MovieLens的實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)

本次實(shí)驗(yàn)用到的是MovieLens-1M的數(shù)據(jù)集，是在經(jīng)過預(yù)處理后，將其劃分為互不相交的訓(xùn)練集和測(cè)試集，其中訓(xùn)練集占80%，測(cè)試集占20%。數(shù)據(jù)集的信息如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集信息表Table 1 Dataset of expriments

2.2 評(píng)價(jià)指標(biāo)

本文運(yùn)用均方根誤差（RMSE）作為損失函數(shù)，精確度（Precision）、召回率（Recall）和F1-Score值來評(píng)價(jià)指標(biāo)來檢驗(yàn)?zāi)Ｐ托Ч?/p>

均方根誤差（RMSE）作為損失函數(shù)能反映出預(yù)測(cè)值與真實(shí)值之間的偏差，偏差值越小說明預(yù)測(cè)效果越好，公式如下所示：

精確度（Precision）也稱查準(zhǔn)率，指的是分類器預(yù)測(cè)為正類的部分?jǐn)?shù)據(jù)在實(shí)際數(shù)據(jù)的比例。精確度越高，分類器假正類錯(cuò)誤率越低，公式如下所示：

召回率（Recall）也稱查全率，指的是被分類器正確預(yù)測(cè)的正樣本的比例。具有高召回率的分類器很少將正樣本分為負(fù)樣本，公式如下所示：

F1-Scoure值可以同時(shí)最大化精確率與召回率，使得精確度與召回率共存，是精確率和召回率的調(diào)和平均數(shù)，公式如下所示：

2.3 對(duì)比實(shí)驗(yàn)

本文通過與以下幾種先進(jìn)的模型進(jìn)行對(duì)比實(shí)驗(yàn)，來驗(yàn)證本文所提模型的推薦性能。

（1）PMF[21]：概率矩陣分解模型，通過用戶和項(xiàng)目的評(píng)分交互矩陣進(jìn)行協(xié)同過濾推薦。

（2）DeepCoNN[11]：使用推薦評(píng)論對(duì)用戶和項(xiàng)目進(jìn)行聯(lián)合深度建模模型，通過卷積神經(jīng)網(wǎng)絡(luò)將用戶評(píng)論集和項(xiàng)目評(píng)論集結(jié)合起來對(duì)用戶和項(xiàng)目進(jìn)行建模

（2）ConvMF[22]：卷積矩陣分解模型，將卷積神經(jīng)網(wǎng)絡(luò)與矩陣分解模型進(jìn)行推薦。

（3）DeepHCF[15]：結(jié)合CNN和MLP分別從評(píng)分和項(xiàng)目評(píng)論中挖掘用戶和項(xiàng)目的潛在特征，并使用因子分解方法預(yù)測(cè)評(píng)分。

（4）DeepRec[16]：融合評(píng)分矩陣和評(píng)論文本的深度神經(jīng)網(wǎng)絡(luò)推薦模型，它是一種由多層感知機(jī)和卷積神經(jīng)網(wǎng)絡(luò)組成的推薦方法，該模型將兩種不同的數(shù)據(jù)類型作為輸入。

2.4 實(shí)驗(yàn)結(jié)果與分析

2.4.1 模型性能分析

實(shí)驗(yàn)的F1-Score值結(jié)果和RMSE實(shí)驗(yàn)結(jié)果如圖6和圖7所示。

圖6 F1-Score值對(duì)比圖Fig.6 Comparison of F1-Score values

圖7 RMSE損失函數(shù)對(duì)比圖Fig.7 Comparison of RMSE loss function

F1-Score值隨著訓(xùn)練epoch數(shù)的增加而趨于穩(wěn)定，效果最好的是C-DRAWT，其次是M-DRAWT。二者的結(jié)果均優(yōu)于DeepCoNN、ConvMF和DeepHCF。RMSE損失函數(shù)值隨著epoch數(shù)的增加而下降并收斂，效果最好的仍是C-DRAWT和M-DRAWT，并且優(yōu)于DeepCoNN、ConvMF和DeepHCF。模型的綜合對(duì)比結(jié)果如表2所示。

表2 對(duì)比實(shí)驗(yàn)結(jié)果Table 2 Comparison of experimental results

從表2中可知，C-DRAWT和M-DRAWT在F1-Score值和RMSE上都有所提高。相比較于DeepCoNN，M-DRAWT的F1-Score提升了1.11%，RMSE提升了4.1%，C-DRAWT的F1-Score提升了1.43%，RMSE提升了4.6%；相比較于ConvMF，M-DRAWT的F1-Score提升了0.46%，RMSE提升了2.85%，C-DRAWT的F1-Score提升了0.78%，RMSE提升了3.36%；相比較于DeepHCF，M-DRAWT的F1-Score提升了0.3%，RMSE提升了0.37%，C-DRAWT的F1-Score提升了0.65%，RMSE提升了0.9%。綜合上述結(jié)果可以看出，綜合了時(shí)間信息的C-DRAWT和M-DRAWT在各個(gè)評(píng)價(jià)指標(biāo)上優(yōu)于其他對(duì)比算法，有著較好的推薦性能。

圖8為模型運(yùn)行時(shí)間的對(duì)比。可以看出，基于矩陣分解的模型在訓(xùn)練大量的矩陣數(shù)據(jù)中需要消耗大量的時(shí)間，而本文所設(shè)計(jì)的基于神經(jīng)網(wǎng)絡(luò)的模型采用one-hot編碼降低了數(shù)據(jù)稀疏性，并且本文采用的CNN模型中的池化操作降低了數(shù)據(jù)維度，從而降低了復(fù)雜度。

圖8 模型運(yùn)行時(shí)間對(duì)比Fig.8 Comparison of model running time

2.4.2 編碼分析

為了能夠更好地表示擁護(hù)和項(xiàng)目的信息，緩解數(shù)據(jù)稀疏性問題，本文采用了二進(jìn)制編碼來代替one-hot編碼。為了驗(yàn)證二進(jìn)制編碼的優(yōu)異性，本文通過同一個(gè)模型采用兩種編碼方法，選取MovieLens-10M數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)。同時(shí)還對(duì)比了模型在訓(xùn)練集不同比例下的結(jié)果，如圖9和圖10所示。結(jié)果表明，二進(jìn)制編碼的方法更能表示用戶和項(xiàng)目的大量隱信息，并且當(dāng)訓(xùn)練集比例越高模型效果也好，這表明模型是用了更多的輔助信息進(jìn)行訓(xùn)練后能產(chǎn)生更高的預(yù)測(cè)效果。

圖9 基于C-DRAWT的one-hot編碼與二進(jìn)制編碼對(duì)比分析Fig.9 Comparison of one-hot encoding and binary encoding based on C-DRAWT

圖10 基于M-DRAWT的one-hot編碼與二進(jìn)制編碼對(duì)比分析Fig.10 Comparison of one-hot encoding and binary encoding based on M-DRAWT

2.4.3 Dropout比率分析

在C-DRAWT和M-DRAWT模型中，均加入了Dropout技術(shù)，這是因?yàn)镈ropout技術(shù)可以有效地防止模型過擬合，得到更好的泛化性。兩個(gè)模型中具體的Dropout比率都設(shè)置為了0.5，這樣設(shè)置是因?yàn)榻?jīng)過實(shí)驗(yàn)表明，當(dāng)Dropout=0.5時(shí)，其RMSE最小即模型表現(xiàn)最好，結(jié)果如圖11所示。

圖11 Dropout比率對(duì)模型效果的影響Fig.11 Impact of dropout ratio on model performance

3 結(jié)束語

本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)合時(shí)間特征的協(xié)同過濾深度推薦算法（C-DRAWT）與基于多層感知機(jī)的結(jié)合時(shí)間特征的協(xié)同過濾深度推薦算法（M-DRAWT），主要貢獻(xiàn)是將推薦任務(wù)轉(zhuǎn)化為用戶下一時(shí)刻最希望看到的項(xiàng)目，在特征提取前用二進(jìn)制表示法取代one-hot編碼，極大地減少了數(shù)據(jù)維度。隨后對(duì)提取出的用戶和項(xiàng)目隱藏特征加入時(shí)間戳信息，再利用改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)和多層感知機(jī)進(jìn)行預(yù)測(cè)推薦，C-DRAWT和M-DRAWT更能夠?qū)崟r(shí)了解用戶的興趣點(diǎn)，有效地解決了數(shù)據(jù)稀疏性，緩解了冷啟動(dòng)問題。進(jìn)一步的工作會(huì)繼續(xù)優(yōu)化算法，減少計(jì)算資源的消耗，提升計(jì)算速度和效果。