操鳳萍, 張銳汀, 竇萬峰

(1.東南大學(xué)成賢學(xué)院計算機(jī)系, 南京 210088; 2.江蘇遠(yuǎn)程測控技術(shù)省重點(diǎn)實驗室, 南京 210096;3.華泰證券股份有限公司, 南京 210019; 4.南京師范大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院, 南京 210023)

跨域推薦能夠利用信息量充足的源域?qū)π畔⒘坎蛔愕哪繕?biāo)領(lǐng)域進(jìn)行補(bǔ)充,緩解目標(biāo)領(lǐng)域數(shù)據(jù)稀疏問題.跨域推薦一般需要滿足如下條件:兩個或多個領(lǐng)域間存在內(nèi)容層級的相關(guān)性;或存在用戶層級的相關(guān)性,有用戶上的重疊關(guān)系;或存在項目層級的相關(guān)性,有項目上的重疊關(guān)系[1].目前跨域推薦方法大多屬于如下三類[2].

第一類,基于協(xié)同過濾的跨域推薦.主要利用具有相似偏好的用戶之間相關(guān)性,為目標(biāo)用戶推薦相關(guān)產(chǎn)品或項目[3-4].Berkovsky 等[5-6]將源域的共現(xiàn)矩陣Rs與目標(biāo)域的共現(xiàn)矩陣Rt拼接成一個完整的共現(xiàn)矩陣R,并使用單域方法對用戶進(jìn)行項目推薦.Ajit等[7]利用聯(lián)合矩陣分解進(jìn)行協(xié)同過濾,構(gòu)造加權(quán)損失函數(shù)并使之最小化,從而得到目標(biāo)矩陣并依此對用戶進(jìn)行項目分配.這些方法通常計算速度快、時間復(fù)雜度低,但推薦效果往往不夠理想.

第二類,基于語義關(guān)系的跨域推薦.該類方法常常需要利用圖模型進(jìn)行建模,在構(gòu)建好的模型上基于圖表示學(xué)習(xí)的方法進(jìn)行數(shù)據(jù)處理得到特征表示,并依此進(jìn)行跨域推薦.Jiang 等[8]通過構(gòu)建圖模型將不同領(lǐng)域數(shù)據(jù)串聯(lián)起來,利用隨機(jī)游走方法進(jìn)行用戶與項目間的匹配度預(yù)測.Zhu 等[9]首先基于圖嵌入方法得到數(shù)據(jù)的特征表示,然后利用注意力機(jī)制將源域的數(shù)據(jù)信息遷移至目標(biāo)域,最后利用經(jīng)過知識遷移的目標(biāo)域模型進(jìn)行個性化推薦.圖模型將多個領(lǐng)域串聯(lián)起來,以解決不同領(lǐng)域數(shù)據(jù)的異構(gòu)問題.然而對于大規(guī)模的互聯(lián)網(wǎng)數(shù)據(jù),圖模型處理起來難度較大,計算速度較慢.

第三類,基于深度學(xué)習(xí)的跨域推薦.該類方法一般包括特征提取、特征映射、個性化推薦等幾個步驟.Man 等[10]提出一個深度學(xué)習(xí)跨域推薦框架,利用隱語義模型獲取用戶和項目的隱語義特征,并利用線性映射或多層感知機(jī)的方法將源域特征映射至目標(biāo)域中,最后利用特征映射后隱語義進(jìn)行跨域的個性化推薦.Zhu 等[11]利用深度網(wǎng)絡(luò)對特征進(jìn)行跨域映射,并將源域目標(biāo)域的數(shù)據(jù)稀疏度作為模型訓(xùn)練中的重要參數(shù),從而提升數(shù)據(jù)的使用效率.Gao等[12]將注意力機(jī)制和隱語義模型進(jìn)行結(jié)合,利用注意力機(jī)制來調(diào)整帶有輔助信息的隱語義特征的相關(guān)系數(shù),從而提升跨域推薦的效果.隨著深度神經(jīng)網(wǎng)絡(luò)和圖學(xué)習(xí)技術(shù)的發(fā)展,跨領(lǐng)域推薦引起越來越多人的研究和關(guān)注[1].

近幾年,學(xué)者們從融合鄰域輔助信息的角度,對深度學(xué)習(xí)跨域推薦方法進(jìn)行了研究.但在跨域推薦中,或多或少仍存在輔助信息利用不足、源域特征遷移不充分、負(fù)遷移等問題[13-16].本文提出了基于雙塔隱語義與自注意力的跨域推薦模型(DLDASA),框架如圖1所示.其包括基于雙塔隱語義模型的隱語義特征提取、引入域適應(yīng)的隱語義特征遷移、借助自注意力機(jī)制緩解負(fù)遷移問題并跨域推薦這三個部分.本文主要貢獻(xiàn)如下.

1) 在隱語義模型的基礎(chǔ)上引入雙塔結(jié)構(gòu),充分獲取高質(zhì)量隱語義以提升后續(xù)跨域推薦的效果.

2) 在傳統(tǒng)的多層感知機(jī)遷移方法中引入域適應(yīng)過程,有效對齊源域與目標(biāo)域的特征分布,將源域信息更充分地遷移至目標(biāo)域.

3) 利用自注意力機(jī)制緩解負(fù)遷移問題,遷移時對差異信息進(jìn)行篩選與融合,補(bǔ)足目標(biāo)域信息,提升跨域推薦效果.

4) 設(shè)計多組對比實驗驗證了DLDASA模型的有效性,驗證了模塊作用.

1 研究基礎(chǔ)

1.1 隱語義模型

矩陣分解(matrix factorization)和神經(jīng)矩陣分解(neural matrix factorization)作為跨域推薦算法中特征提取的主要方法,利用了用戶與項目間的交互信息,但并未考慮用戶與項目的額外信息.隱語義模型與 Item2Vec[18]神經(jīng)方法相結(jié)合,能夠?qū)⒂脩繇椖啃畔⑦M(jìn)行向量化處理,然后利用網(wǎng)絡(luò)提取數(shù)據(jù)的嵌入表示,同時還可以引入雙塔模型進(jìn)行拓展.本文基于Item2Vec方法提出了雙塔隱語義模型.

1.2 域適應(yīng)

領(lǐng)域自適應(yīng) (domain adaptation),也稱域適應(yīng),屬于基于特征的遷移方法.它研究如何將從源域?qū)W習(xí)到的知識更好的遷移至目標(biāo)域.特征自適應(yīng)目的是學(xué)習(xí)一個域間不變的特征表達(dá)．

推薦的場景下,源域與目標(biāo)域的數(shù)據(jù)均無標(biāo)簽屬性,在“是否存在標(biāo)簽”這一條件上與傳統(tǒng)遷移學(xué)習(xí)是不相符的.但在“縮小域間分布差異”這一問題上,推薦場景與經(jīng)典的遷移學(xué)習(xí)場景是一致的,本文利用域適應(yīng)方法縮小源域數(shù)據(jù)分布與目標(biāo)域數(shù)據(jù)分布之間的差異.

1.3 自注意力機(jī)制

特征遷移可能使不合適的源域項目隱語義遷移至目標(biāo)域的某一項目之上,存在著負(fù)遷移.單純注意力機(jī)制無法聚焦于編碼器端輸入中值得被關(guān)注的部分,自注意力機(jī)制(self-attention mechanism)由 Ashish 等[19]提出,其結(jié)構(gòu)如圖1所示,其自下而上分為輸入層、注意力全連接層、輸出層.自注意力機(jī)制的核心是通過Q和K計算得到注意力權(quán)重;然后再作用于V得到整個權(quán)重和輸出.輸入的w1、w2、w3通過式(1)可以計算出查詢鍵(query,Q) 、推導(dǎo)鍵(key,K)和輸出值(value,V).

圖1 自注意力機(jī)制結(jié)構(gòu)Fig.1 Self-attention mechanism structure

k=Wkw;
q=Wqw;
v=Wvw,

(1)

得到各查詢鍵Q={q1,q2,…,qn}、推導(dǎo)鍵K={k1,k2,…,kn} 和輸出值V={v1,v2,…,vn}后,各個特征wi關(guān)于其余特征 {wj∣j=1,2,…,n}的相關(guān)性α可以通過式 (2) 得到:

(2)

(3)

綜合式(1)、(2)、(3)即可得到自注意力公式(4):

(4)

(5)

MultiHead(w)=Conca(head1,head2,…,headh)Wh,

(6)

利用多頭策略,將多個輸出進(jìn)行拼接得到最終輸出.

本文由于利用自注意力機(jī)制對輸入的源域特征信息進(jìn)行篩選和匯聚,使目標(biāo)域的項目按相關(guān)程度來獲取源域信息,從而更好地進(jìn)行特征遷移,以提高跨域推薦的性能.

2 DLDASA算法

2.1 DLDASA算法框架

圖2 DLDASA模型框架Fig.2 DLDASA model framework

模型具體包括如下三個過程.

1) 隱語義預(yù)訓(xùn)練:利用雙塔隱語義模型獲取各隱語義特征表示,經(jīng)多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,可得到輸出.預(yù)訓(xùn)練后V,U=DLLFM(R,info),其中,DLLFM(·)為雙塔隱語義模型,R為共現(xiàn)矩陣,info為用戶類別偏好信息和項目類別信息等.

2) 特征遷移:將源域與目標(biāo)域的項目隱語義,進(jìn)行基于一階統(tǒng)計量和二階統(tǒng)計量對齊的領(lǐng)域自適應(yīng)遷移方法,對源域特征進(jìn)行特征遷移,如式(7)所示．

(7)

3) 跨域推薦:域適應(yīng)方法特征遷移后,為減輕特征遷移時所產(chǎn)生的負(fù)遷移影響,使用自注意力機(jī)制進(jìn)行調(diào)整,如式(8)所示.

(8)

(9)

(10)

(11)

2.2 雙塔隱語義模型

雙塔隱語義模型在特征提取過程中融入用戶類別偏好信息和任務(wù)類別信息.它利用廣義Item2Vec 方法將用戶、用戶類別偏好信息、項目、項目類別信息分別進(jìn)行向量化處理和整合,輸入項目塔與用戶塔之中.雙塔隱語義模型如圖3所示.

圖3 雙塔隱語義模型Fig.3 Two-tower latent semantic model

1) 輸入層(input layer):輸入層包括四個部分,用戶 ID(user ID)、用戶類別偏好信息(user type)、項目ID(item ID)和項目類別信息(item type).首先對用戶隱語義矩陣Wu∈m×k、 項目隱語義矩陣Wv∈n×k、類別隱語義矩陣Wt∈d×k進(jìn)行隨機(jī)初始化,然后利用式(12)計算出用戶隱語義(user embedding)、用戶類別偏好隱語義(user type)、項目隱語義(item embedding)、項目類別隱語義(item type)的嵌入表示.

ui=xu,iWu;uti=∑xut,iWt;vj=xv,jWv;vtj=∑xvt,jWt,

(12)

其中,xu,i、xut,i、xv,j、xvt,j為用戶、用戶類別偏好、項目、項目類別的One-hot編碼,用戶類別偏好與項目類別均經(jīng)過歸一化.通過One-hot編碼,得到用戶隱語義矩陣、項目隱語義矩陣、類別隱語義矩陣中存放著的用戶隱語義ui、用戶類別偏好隱語義uti、項目隱語義vj、項目類別隱語義vtj.

2)融合層(fusion layer):對于雙塔模型,項目塔的融合層與用戶塔融合層類似,在得到項目隱語義vj和項目類別隱語義vtj后,對兩個特征進(jìn)行融合,利用項目類別信息對項目隱語義進(jìn)行信息補(bǔ)充,如式(13)、(14)所示.

(13)

(14)

其中,θu和bu為用戶融合函數(shù)的參數(shù),θv和bv為項目融合函數(shù)的參數(shù),ui,uti,vj,vtj∈k.最終得到的中既包含用戶與項目的交互信息,也包含用戶自己的類別偏好信息和項目的類別信息.

(15)

而后通過最小化損失函數(shù)(均方誤差)對模型進(jìn)行訓(xùn)練,如式(16)所示．

(16)

2.3 基于域適應(yīng)的知識遷移

域適應(yīng)方法通過對齊一階統(tǒng)計量(均值)和二階統(tǒng)計量(方差)統(tǒng)計特征的方法,將數(shù)據(jù)的統(tǒng)計特征進(jìn)行變換對齊,不需要利用標(biāo)簽屬性,也避免將數(shù)據(jù)映射到高維空間.

設(shè)源域項目隱語義DS={x1,x2,…,xs},xi∈k,目標(biāo)域項目隱語義Dt={y1,y2,…,yt},yj∈k.假設(shè)μs,μt是源域與目標(biāo)域項目隱語義的均值(一階統(tǒng)計量),CS,CT是源域與目標(biāo)域項目隱語義的協(xié)方差矩陣(二階統(tǒng)計量).將隱語義特征進(jìn)行標(biāo)準(zhǔn)化,如式(17)、(18)所示,

(17)

(18)

(19)

由Sun等[22]的工作知,設(shè)Σ+為矩陣Σ的廣義逆矩陣,rCS,rCT為矩陣CS,CT的秩.那么,式(20)為目標(biāo)函數(shù)式(19)的最優(yōu)解,

(20)

算法1基于領(lǐng)域自適應(yīng)的特征遷移方法

Input:源域特征,目標(biāo)域特征

1:一階統(tǒng)計量對齊:

2:二階統(tǒng)計量對齊:

3:完成遷移:

2.4 自注意力機(jī)制

基于自注意力機(jī)制的跨域信息整合流程如圖4所示.

圖4 自注意力跨域信息整合示意圖Fig.4 Self-attention cross-domain information integration

zij=Similarity(vt,Vs),

(21)

其中,Similarity(·,·) 表示相似度計算函數(shù),用內(nèi)積作為相似度的度量方式.之后對其歸一化處理如式(22)所示,αij=softmax(zij),

(22)

其中,αij為注意力系數(shù),表示目標(biāo)域項目i與源域項目j的相關(guān)度.之后, 計算得到源域項目隱語義的加權(quán)平均結(jié)果αiVs,利用該結(jié)果計算得到融合系數(shù)

c=sigoid(Dense(αiUs),

(23)

(24)

3 實驗

3.1 數(shù)據(jù)集

1) 一品威客(YPWK)和豬八戒網(wǎng)(ZBJW)

一品威客(YPWK)和豬八戒網(wǎng)(ZBJW)是國內(nèi)知名眾包領(lǐng)域平臺,包含軟件測試的15類項目和7個類別標(biāo)簽.稀疏度為44.53%的一品威客網(wǎng)數(shù)據(jù)視為源域,稀疏度為84.56%的豬八戒網(wǎng)數(shù)據(jù)視為目標(biāo)域,數(shù)據(jù)集如表2所示.

表2 YPWK&ZBJW數(shù)據(jù)集

2) Movielens和Netflix

隨機(jī)選取5 000個用戶和2 500個電影的數(shù)據(jù)集,該數(shù)據(jù)集帶有20個類別標(biāo)簽.稀疏度為97.90%的Movielens數(shù)據(jù)為源域,稀疏度為99.32%的Netflix數(shù)據(jù)為目標(biāo)域.數(shù)據(jù)集如表3所示.

表3 Movielens&Netfl數(shù)據(jù)集

3.2 評價指標(biāo)

實驗評價指標(biāo):均方根誤差(root mean squard error,RMSE)和平均絕對誤差(mean absolute error,MAE),這兩種方法均通過計算預(yù)測結(jié)果與實際值的誤差大小來進(jìn)行評價.

(26)

(27)

其中,m表示測試數(shù)據(jù)的數(shù)量,yi表示測試數(shù)據(jù)真實的評分,f(xi)表示模型計算后的預(yù)測評分.

3.3 基準(zhǔn)模型

為了驗證DLDASA模型的有效性,設(shè)置單域推薦和跨域推薦兩類對比實驗.單域推薦模型包括:

1) CF-user[3-4]：基于用戶的協(xié)同過濾推薦.

2) CF-item[3-4]：基于項目的協(xié)同過濾推薦.

3) MF[5]：矩陣分解.將共現(xiàn)矩陣進(jìn)行神經(jīng)矩陣分解,得到用戶特征矩陣與項目特征矩陣,并基于兩個矩陣進(jìn)行推薦.

跨域推薦模型包括:

1) Cross-domain CF/item[6]：將源域f的共現(xiàn)矩陣Rs和目標(biāo)域的共現(xiàn)矩陣Rt合并為一個共現(xiàn)矩陣,并以單域推薦中的CF-item進(jìn)行推薦.

2) CMF[7]：將源域矩陣分解損失函數(shù)與目標(biāo)域矩陣分解損失函數(shù)按照一定的權(quán)重進(jìn)行加和,得到新的損失函數(shù),將其最小化可以得到該模型的特征矩陣,從而進(jìn)行推薦.

3) EMCDR[10]：利用隱語義模型獲得源域與目標(biāo)域的隱語義特征,而后利用線性映射或多層感知機(jī)的特征映射方法進(jìn)行特征遷移,并以此進(jìn)行推薦.EMCDR/LM表示跨域推薦過程中使用線性映射(LM),EMCDR/MLP表示跨域推薦過程中使用多層感知機(jī)映射(MLP).

3.4 實驗結(jié)果與分析

DLDASA模型首先利用雙塔隱語義模型(DLLFM)獲取隱語義特征,這部分實驗選用參數(shù)如表4所示.其次利用基于統(tǒng)計特征對齊的領(lǐng)域自適應(yīng)(DA/MLP)方法對源域項目隱語義進(jìn)行特征遷移,這部分實驗無額外參數(shù).最后,基于自注意力機(jī)制的跨域推薦,所需其他參數(shù)如表5所示.

表4 DLLFM模塊參數(shù)設(shè)置

表5 Self-Attention模塊參數(shù)設(shè)置

采用Xavier[23]方法對用戶隱語義矩陣、用戶類別偏好隱語義矩陣、項目隱語義矩陣、項目類別隱語義矩陣及各項參數(shù)作隨機(jī)初始化處理.模型中的偏置項均設(shè)置為0,參數(shù)的數(shù)值及含義如表4所示.用神經(jīng)元節(jié)點(diǎn)隨機(jī)缺失Dropout方法和L2正則化的方法防止過擬合.使用Adam優(yōu)化器訓(xùn)練,設(shè)置β1=0.9,β2=0.99,多組實驗調(diào)參后學(xué)習(xí)率定為0.05.

在Win10下進(jìn)行實驗,使用Tensorflow 1.14.0作為深度學(xué)習(xí)框架.CPU為Intel(R) Core(TM) i5-8300H CPU@2.30GHz,GPU為NVDIA GeForce GTX 1050Ti 4G,內(nèi)存為 8G.

表6顯示DLLFM-DA/SelfAtten(DLDASA模型)在2個數(shù)據(jù)集上,RMSE指標(biāo)和MAE指標(biāo)均優(yōu)于對比模型,且均為最優(yōu)結(jié)果.DLDASA模型在“YPWK-ZBJW”數(shù)據(jù)集上的RMSE值和MAE值分別為0.267 2和0.138 0,比效果最好的EMCDR/MLP模型分別提高了34.3%和55.4%.在“Movielens-Netflix”數(shù)據(jù)集上的RMSE值和MAE值分別為0.547 2和0.403 5,對比效果最好的EMCDR/MLP模型分別提高了42.9%和45.1%.

表6 跨域推薦模型推薦結(jié)果

3.5 模塊有效性分析

1) 特征提取模塊有效性分析

為驗證雙塔隱語義模型特征提取的有效性,設(shè)置了單領(lǐng)域推薦對比實驗.如表7所示,在影視單域推薦場景下,基于用戶的協(xié)同過濾(CF-user)與基于項目的協(xié)同過濾(CF-item)在數(shù)據(jù)稀疏的場景下,效果最差;矩陣分解(MF)此處為神經(jīng)矩陣分解,能夠通過歷史的共現(xiàn)矩陣獲取用戶特征和項目特征,效果相較 CF-user 和 CF-item 有較大提升;雙塔隱語義模型(DLLFM)相較于MF 方法來說,由于獲取用戶隱語義和項目隱語義,還利用了額外的用戶類別偏好信息和項目類別信息,得到了更優(yōu)的推薦效果.

表7 Movielens&Netflix單域推薦

如表8所示,基于項目的跨域協(xié)同過濾(cross-domain CF/item)與協(xié)同矩陣分解(CMF)的效果較差,EMCDR/LM 與 EMCDR/MLP 的效果相對較好,DLLFM/MLP效果最好.基于項目的跨域協(xié)同過濾(cross-domain CF/item),對原始共現(xiàn)矩陣的稀疏性問題更為敏感,跨域推薦的效果一般.協(xié)同矩陣分解(CMF)通過共享隱語義特征來進(jìn)行矩陣分解以獲取特征,受到源域與目標(biāo)域數(shù)據(jù)差異的影響,在該場景下的跨域推薦效果也比較差.EMCDR 推薦效果較好,但其神經(jīng)矩陣分解過程未充分利用各類額外的輔助信息.同時,EMCDR 跨域推薦過程中使用多層感知機(jī)映射(MLF),相比線性映射(LM)能夠得到更優(yōu)的遷移特征．

表8 Movielens&Netflix跨域推薦

2) 特征遷移模塊有效性分析

表9顯示了在兩對數(shù)據(jù)集上DLLFM/MLP(雙塔隱語義訓(xùn)練+多層感知)、DLLFM-DA/MLP(雙塔隱語義訓(xùn)練+域適應(yīng)+多層感知)、DLLFM-DA/SelfAtten(DLDASA模型)模型的平均RMSE

表9 基于自注意力機(jī)制的跨域推薦

和MAE,其中每個數(shù)據(jù)集的最優(yōu)值以粗體突出顯示.DLLFM-DA/SelfAtten在所有算法中推薦效果最優(yōu).相比DLLFM-DA/MLP模型,推薦效果進(jìn)一步提升,說明自注意力機(jī)制能夠有效降低特征遷移時的負(fù)遷移影響,顯著提升推薦效果.

4 結(jié)束語

針對跨域推薦方法的特征提取、特征映射、個性化推薦等過程中的一系列問題,從高質(zhì)量的特征提取、更充分的特征遷移、更全面的差異捕捉等角度出發(fā)對共享項目跨域推薦算法進(jìn)行了研究,提出了基于雙塔隱語義模型的跨域推薦模型.在隱語義模型的基礎(chǔ)上引入雙塔結(jié)構(gòu),充分利用用戶的類別偏好信息和項目的類別信息,獲取高質(zhì)量隱語義以提升后續(xù)跨域推薦的質(zhì)量;在傳統(tǒng)的多層感知機(jī)遷移方法中引入域適應(yīng)過程,通過拉近源域特征與目標(biāo)域特征的一階矩、二階矩等特征分布,有效對齊源域與目標(biāo)域的特征分布,將源域信息更充分地遷移至目標(biāo)域;利用自注意力機(jī)制來捕捉兩個域之間的差異性與相關(guān)性,使模型在知識遷移時能夠?qū)Σ煌虻牟町愋畔⑦M(jìn)行篩選與融合,從而對目標(biāo)域的信息進(jìn)行補(bǔ)足,以提升最終的跨域推薦效果.最后實驗驗證了該模型及其各個模塊的有效性.