黃大巧，朱健軍，曹俊卓

(1.浙江通信服務(wù)網(wǎng)絡(luò)科技分公司，浙江 杭州 310000;2.浙江工業(yè)大學(xué)信息學(xué)院，浙江 杭州 310000)

1 引言(Introduction)

因特網(wǎng)的廣泛應(yīng)用帶來了爆炸式增長的信息冗余，雖然搜索引擎是當(dāng)前人們獲取目標(biāo)信息的有效手段，但是仍然無法滿足不同用戶不同時間的個性化信息需求服務(wù)。推薦系統(tǒng)[1]可以通過分析用戶的歷史購買行為，基于挖掘用戶、產(chǎn)品之間的特征相似性，向用戶推薦其感興趣的產(chǎn)品，刺激用戶產(chǎn)生新的購買需求。其中，個性化推薦融合了數(shù)據(jù)處理、特征挖掘和機(jī)器學(xué)習(xí)等多種技術(shù)，成為當(dāng)前數(shù)據(jù)挖掘和商業(yè)應(yīng)用系統(tǒng)的熱點(diǎn)研究領(lǐng)域之一[2]。

目前，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分析和特征分類是推薦系統(tǒng)的重要環(huán)節(jié)，然而最新的研究發(fā)現(xiàn)，當(dāng)對圖像添加微小的擾動后，可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型輸出完全不同的分類結(jié)果，即微小的輸入或噪聲擾動都可能造成生成的推薦結(jié)果完全不同，這代表推薦系統(tǒng)的魯棒性較差。

為了解決此問題，本文提出一種基于對抗性訓(xùn)練改進(jìn)模型魯棒性的協(xié)同過濾推薦算法。通過構(gòu)建微小擾動并添加到推薦模型進(jìn)行對抗性訓(xùn)練，從而調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，增強(qiáng)推薦模型的魯棒性，算法通過亞馬遜數(shù)據(jù)集進(jìn)行了有效性驗(yàn)證。

2 推薦系統(tǒng)算法(Recommendation algorithms)

2.1 協(xié)同過濾推薦

基于用戶的協(xié)同過濾[3]是根據(jù)用戶的購買歷史數(shù)據(jù)，根據(jù)特征嵌入將相似用戶形成用戶偏好組，即相似用戶具有同類購買偏好，從而向其他用戶預(yù)測和推薦物品。

基于用戶協(xié)同過濾的推薦如圖1所示，圖1中的用戶1和用戶2都對物品A和B感興趣，因此可以將用戶1和用戶2放入相似偏好的用戶組；當(dāng)發(fā)現(xiàn)用戶1又喜歡物品C時，推薦算法可將物品C也推薦給用戶2。

圖1 基于用戶協(xié)同過濾的推薦Fig.1 Recommendation based on user collaborative filtering

研究人員采用皮爾森相似性表示用戶相似度關(guān)系，其計算公式如下：

2.2 CP分解算法

CP分解算法[4](圖2)是目前數(shù)據(jù)分析領(lǐng)域常用的高維張量分解方法之一，可以降低參數(shù)維度，并且在計算復(fù)雜度上低于Tucker分解等方法。

圖2 CP分解算法Fig.2 Candecomp decomposition algorithm

CP分解算法模型結(jié)構(gòu)，計算如式(2)所示：

其中，U∈RM×r，V∈RN×r，W∈RK×r。λ是長度為r的向量，符合0＜λr≤…≤λ1。向量λ在通常情況下往往被省略，從而得到式(4)：

3 推薦模型設(shè)計(Design of recommendation model)

3.1 動態(tài)協(xié)同過濾模型

商品的推薦通常與其時間屬性相關(guān)，比如季節(jié)不同，人們對衣服的色調(diào)偏好會有不同。因此，時間屬性作為推薦模型中一種時間序列上的感知參量，對精細(xì)化和個性化推薦有重要的意義。動態(tài)協(xié)同過濾(Dynamic Collaborative Filtering,DCF)[5]模型采用時間因子刻畫時間尺度上的用戶偏好，可以較好地提高推薦質(zhì)量。

3.2 動態(tài)協(xié)同過濾模型的對抗性擾動添加

在DCF模型的基礎(chǔ)上，研究人員進(jìn)一步添加對抗性學(xué)習(xí)機(jī)制，提出了基于對抗性擾動的動態(tài)協(xié)同過濾(Adversarial Dynamic Collaborative Filtering,ADCF)模型(圖3)。

圖3 ADCF模型框架圖Fig.3 ADCF model framework

基于隨機(jī)梯度下降法(Stochastic Gradient Descent,SGD)[7]訓(xùn)練模型到收斂狀態(tài)，同時通過添加不同對抗性擾動，使得模型性能和穩(wěn)定性降低，即該擾動目的就是最大化地降低模型性能，公式如下：

通過訓(xùn)練減弱算法模型對微小擾動的敏感性，從而最終得到在對抗性擾動下具有較高魯棒性的模型，模型優(yōu)化目標(biāo)如式(14)所示：

因此，ADCF模型所進(jìn)行的對抗性訓(xùn)練類似于進(jìn)行極大值-極小值的零和博弈，如式(15)所示：

4 實(shí)驗(yàn)設(shè)計(Experimental design)

4.1 實(shí)驗(yàn)數(shù)據(jù)集

本文采用亞馬遜購物網(wǎng)站的鞋子數(shù)據(jù)集進(jìn)行算法驗(yàn)證,并與五個常用的基線算法進(jìn)行性能對比。

表1是數(shù)據(jù)集的統(tǒng)計特性，數(shù)據(jù)集被隨機(jī)分成訓(xùn)練集(80%)、驗(yàn)證集(10%)和測試集(10%)，分別用于模型參數(shù)訓(xùn)練、超參數(shù)驗(yàn)證調(diào)整和性能測試。

表1 亞馬遜數(shù)據(jù)集統(tǒng)計特性表Tab.1 Table of statistics characteristics of Amazon dataset

4.2 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)驗(yàn)證的硬件環(huán)境包括Inteli7-8700的CPU，RTX2080的計算顯卡，32 GB的內(nèi)存；軟件環(huán)境操作系統(tǒng)為Win10，算法框架為Tensorflow。

4.3 評價指標(biāo)

本文使用NDCG作為性能評估指標(biāo)，如式(16)所示：

NDCG表示將推薦結(jié)果的Top-K列表中產(chǎn)品i相關(guān)度與理想列表相比的排序準(zhǔn)確性，該值越大，則表示推薦列表中物品位置順序越準(zhǔn)確。

5 實(shí)驗(yàn)結(jié)果分析(Experimental results analysis)

研究人員對實(shí)驗(yàn)結(jié)果進(jìn)行以下分析：(1)推薦準(zhǔn)確度性能對比；(2)模型魯棒性對比；(3)擾動超參數(shù)ε的影響。

5.1 推薦準(zhǔn)確度性能對比

表2是和基線算法的對比結(jié)果，表明個性化推薦方法可以提高推薦準(zhǔn)確度。比如，相比非個性化的POP排序方法，MF、AMR、VBPR、DCF和ADCF等基于隱式反饋算法可以挖掘交易過程隱含的互動特征，超過了簡單的產(chǎn)品時間流行度特征排序，從而使針對不同用戶的推薦更具個性化，因此總體效果更為好。

表2 NDCG指標(biāo)下的性能對比Tab.2 Performance comparison based on NDCG index

同時，對抗性訓(xùn)練過后的模型性能都有較大的提升。比如，AMR、ADCF相比MF、DCF的性能提升充分說明對抗性學(xué)習(xí)可以挖掘更全面的數(shù)據(jù)特征，從而達(dá)到了更顯著的推薦效果；進(jìn)一步，通過橫向比較可以發(fā)現(xiàn)所有模型隨著K的增加都呈下降趨勢，但增加了對抗性擾動的ADCF模型的推薦效果更穩(wěn)定。

5.2 模型魯棒性對比

為了進(jìn)行魯棒性驗(yàn)證，研究人員首先對DCF模型進(jìn)行迭代訓(xùn)練直至達(dá)到收斂狀態(tài)，然后在該收斂模型參數(shù)上進(jìn)行對抗性擾動，用于破壞當(dāng)前模型的穩(wěn)定狀態(tài)，并且再次通過網(wǎng)絡(luò)參數(shù)的迭代和更新適應(yīng)不同擾動，從而實(shí)現(xiàn)新的收斂狀態(tài)。

表3中的數(shù)據(jù)是魯棒性實(shí)驗(yàn)結(jié)果對比。表3首先記錄了DCF和ADCF模型在加入相同大小擾動后的性能變化幅度，也記錄了加入不同大小擾動后的性能下降情況。比如，當(dāng)ε=0.05時，DCF和ADCF的性能對比無擾動狀態(tài)，分別下降了10.5%和4.64%，DCF性能的下降幅度遠(yuǎn)大于ADCF，即表明添加擾動訓(xùn)練后的ADCF模型相比DCF，對于不同程度的擾動和噪聲的穩(wěn)定性更強(qiáng)，即網(wǎng)絡(luò)參數(shù)可以更好地適應(yīng)外界的微小干擾，從而有效增強(qiáng)了系統(tǒng)的魯棒性。

表3 NDCG指標(biāo)下不同的魯棒性對比Tab.3 Robustness comparison under differentbased on NDCG index

表3 NDCG指標(biāo)下不同的魯棒性對比Tab.3 Robustness comparison under differentbased on NDCG index

5.3 擾動超參數(shù) 的影響

圖4是超參數(shù)對模型性能影響的結(jié)果圖。為了研究控制擾動幅度的超參數(shù)ε對模型的影響，研究人員先將另一個正則化超參數(shù)λ固定為1，計算了不同ε取值(即不同大小的擾動)情況下對NDCG@5推薦效果的影響。當(dāng)ε在0.001—1時，模型性能呈顯著下降趨勢，隨后性能呈小幅度變化。

圖4 ε對ADCF模型性能的影響Fig.4 Effect of ε on the performance of ADCF model

6 結(jié)論(Conclusion)

本文針對改進(jìn)推薦系統(tǒng)的魯棒性問題，提出了一種基于對抗性訓(xùn)練的動態(tài)協(xié)同過濾算法，通過在模型上加入微小擾動并通過對抗性訓(xùn)練方式改進(jìn)模型參數(shù)，從而增強(qiáng)推薦系統(tǒng)的魯棒性。通過在亞馬遜數(shù)據(jù)集上實(shí)驗(yàn)并與基線模型對比，結(jié)果表明經(jīng)過對抗訓(xùn)練的改進(jìn)算法，相比原始算法可減少推薦性能下降15%以上，即有效改進(jìn)了模型的魯棒性，同時有效提升了推薦準(zhǔn)確度。接下來可以進(jìn)一步考慮融入商品視覺和序列交互特征等提升推薦算法的準(zhǔn)確度，還可以研究顯示反饋對推薦算法的影響。