摘要：深度神經(jīng)網(wǎng)絡由于結構類似于生物神經(jīng)網(wǎng)絡，因此擁有高效、精準抽取信息深層隱含特征的能力和能夠學習多層的抽象特征表示，且能夠對跨域、多源、異質的內容信息進行學習等優(yōu)勢。提出了一種基于多用戶-項目結合深度神經(jīng)網(wǎng)絡抽取特征、自學習等優(yōu)勢實現(xiàn)信息個性化推薦的模型，該模型通過對輸入多源異構數(shù)據(jù)特征進行深度神經(jīng)網(wǎng)絡學習、抽取，再融合協(xié)同過濾中的廣泛個性化產(chǎn)生候選集。

然后通過二次模型學習產(chǎn)生排序集，實現(xiàn)精準、實時、個性化推薦。通過真實數(shù)據(jù)集對模型評估實驗，實驗結果表明，該模型能夠很好地學習、抽取用戶隱特征，并且能夠一定程度上解決傳統(tǒng)推薦系統(tǒng)稀疏性、新物品等問題，同時實現(xiàn)了更加精準、實時、個性化的推薦。

0 引言

近幾年，深度學習在人工智能、機器學習中取得了飛躍式的突破，特別是在語音識別和圖像識別等領域[1-3]。其中，深度神經(jīng)網(wǎng)絡由于結構類似于生物神經(jīng)網(wǎng)絡，因此擁有高效、精準抽取信息深層隱含特征的能力和能夠學習多層的抽象特征表示，且能夠對跨域、多源、異質的內容信息進行學習等優(yōu)勢，可以一定程度上處理推薦系統(tǒng)稀疏性、新物品、可擴張性等問題，這為推薦系統(tǒng)解決固有問題帶來了新的機遇。

本文提出了基于深度神經(jīng)網(wǎng)絡結合多用戶-項目、協(xié)同過濾的推薦模型(Multi-View-Collaborative Filtering integrating Deep Neural Network，MV-CFiDNN)[4-6]，基于深度神經(jīng)網(wǎng)絡理論，提取用戶、項目信息的深層隱含特征并自學習、優(yōu)化提取模型，最后結合多用戶-項目、協(xié)同過濾(Collaborative Filtering)提供廣泛的個性化推薦。

1 深度神經(jīng)網(wǎng)絡推薦模型

基于深度學習的推薦系統(tǒng)通過將用戶和項目的各類原始數(shù)據(jù)信息提供給輸入層，在隱含層通過神經(jīng)網(wǎng)絡學習模型進行用戶、項目的隱特征學習及抽取，最后通過學習隱表示實現(xiàn)用戶、項目推薦[7-8]?；谏疃壬窠?jīng)網(wǎng)絡框架的兩次自學習并結合協(xié)同過濾的CFiDNN框架如圖1所示。CFiDNN框架兩大核心為：候選生成網(wǎng)絡融合協(xié)同過濾與排名網(wǎng)絡結合協(xié)同過濾。

其中，候選集產(chǎn)生以用戶在瀏覽歷史記錄中的提取特征作為輸入信息，然后基于多源數(shù)據(jù)庫檢索到與用戶相關的一個數(shù)據(jù)集，這一數(shù)據(jù)集就是候選集。這部分候選集通過協(xié)同過濾(CF)實現(xiàn)廣泛個性化。再通過用戶、項目的多類特征源學習計算相似性，實現(xiàn)最小排名集，最后基于協(xié)同過濾實現(xiàn)推薦。

1.1 候選集生成模塊

對于候選集生成，首先，將用戶瀏覽及搜索項目等歷史記錄信息映射為向量，然后對其求平均值獲取定長表示；并且，輸入用戶地理信息特征值優(yōu)化個性化推薦效果，二值性和連續(xù)性特征值通過歸一化得到[0，1]范圍。其次，把所有輸入特征值拼接到同一個向量，并且把拼接后的向量輸予激活函數(shù)處理。最后，通過神經(jīng)網(wǎng)絡訓練輸給Softmax進行分類，通過訓練的特征與源項目進行相似度計算，獲取相似度最高的N個項目作為候選模塊中的候選集，圖2為候選生成結構圖。

基于生成的候選集協(xié)同過濾提供廣泛的個性化，組合基于用戶-項目相關度評價實現(xiàn)精準、實時、個性化推薦。

候選集生成部分是基于多源異構數(shù)據(jù)庫中學習選擇與用戶相關度較高的項目，對于預測用戶U，其瀏覽某一個信息的概率為：

其中，U是用戶特征值，V表示多源異構數(shù)據(jù)庫，vi表示數(shù)據(jù)庫中第i個項目的特征值，U與vi向量擁有相等長度，它兩通過點積在隱層全連接實現(xiàn)。

1.2 排序生成模塊

排序生成結構與候選生成結構類似，區(qū)別在于排序生成是對候選生成集升級細致分類排序。與傳統(tǒng)排序抽取特征值類似，神經(jīng)網(wǎng)絡排序也是通過拼接大量用戶、項目相關特征值(文本ID、瀏覽時長等)。特征值的處理與候選生成類似，都基于向量化，區(qū)別在于排序生成網(wǎng)絡最后通過加權邏輯回歸訓練，給前期產(chǎn)生的候選集再評分，評分較高的K個項目返回給用戶或通過協(xié)同過濾實現(xiàn)個性化推薦[8-10]。圖3為排序生成結構圖。

設定部分Softmax分類過程：首先，對于候選生成集或排序生成列表的訓練過程，通過對負樣本類別采用實際類別計算將數(shù)量減小到數(shù)千；其次，在推薦階段，不計Softmax歸一化，將項目評分轉化為點積空間的最近鄰尋找或協(xié)同過濾根據(jù)相關度計算；最后，選取與用戶U相關度最高的K項作為候選集或排序列表，然后通過協(xié)同過濾個性化推薦，把信息推薦給用戶。

1.3 多用戶—項目模型

基于多用戶、多項目的多源異構特征結合兩次深度神經(jīng)網(wǎng)絡學習，從而實現(xiàn)個性化推薦。其實現(xiàn)思想為：首先，將原始特征值向量化后映射為用戶、項目兩個通道；然后利用深度神經(jīng)網(wǎng)絡模型把用戶、項目信息向量映射到一個隱空間；最后，通過評估相似度(如余弦相似度法)把隱空間的用戶、項目進行相關度等排名、匹配，從而實現(xiàn)精準、個性化推薦。圖4為多用戶-項目DNN(Deep Neural Network)模型結構[11-12]。

在用戶視角，利用其瀏覽歷史、搜索(Search tokens)、位置信息、二值性(登錄與否、性別)和連續(xù)性(年齡)、觀看時長等作為源特征值輸入xu，然后通過深度神經(jīng)網(wǎng)絡學習模型學習輸出隱表示yu。在項目視角，利用項目的描述、標簽、類型等作為源特征值輸入xi，通過深度神經(jīng)網(wǎng)絡學習模型學習輸出隱表示yi。
其中模型擁有多個用戶、項目，分別為m、N。用戶視角DNN模型為fu(xu，wu)，第i個項目視角DNN模型為fi(xi，wi)。若擁有M個樣本{(xu，j，xa，j)}，0≤j≤M，(xu，j，xa，j)是用戶u與項目a的交互，利用用戶、項目的擬合交互記錄進行調參學習：

通過模型訓練、學習之后獲得的用戶隱表示yu與項目隱表示yi，利用在隱空間中計算用戶與項目的相關度、排名，選擇相關度排序較高的k項目以及源數(shù)據(jù)庫協(xié)同過濾實現(xiàn)精準、個性化推薦。

1.4 特征值向量化

特征值向量化是通過詞組嵌入，將特制文本映射到w維空間向量。首先，把用戶、項目所有相關聯(lián)特征值分別合并，并對特征值量化為評分數(shù)據(jù)然后求其平均值，即對多源異構原始數(shù)據(jù)進行評分式數(shù)據(jù)處理及歸一化。

(1)用戶特征數(shù)據(jù)為：

1.5 全連接層

全連接層(隱層)輸入數(shù)據(jù)為用戶、項目源特征值向量化后的值，設隱含層共m個神經(jīng)元，通過隱含層ReLU激活函數(shù)處理后，獲得向量ui，就是用戶useri隱特征值，同理，項目itemj的隱特征值向量為vj，計算過程如下：

1.6 矩陣分解

最后，利用Adam深度學習優(yōu)化方式對預測與真實評分進行擬合[13]，對于一些擁有評分的項目，使預測最大可能接近真實，由此學習推薦，對新物品實現(xiàn)個性化推薦(未評分項目預測真實評分無限接近預測值)。

2 實驗仿真及分析

2.1 實驗環(huán)境

算法性能分析的實驗環(huán)境以Windows Server2012 R2操作系統(tǒng)為實驗支撐，相關配置為：Intel Xeon Silver 4116 CPU處理器，編程語言Python，128 GB內存，雙GPU。編譯環(huán)境在Anaconda的Jupyter Notebook中實現(xiàn)并采用MATLAB進行仿真。

2.2 數(shù)據(jù)集合

本文通過2個真實、實時數(shù)據(jù)集，對深度神經(jīng)網(wǎng)絡融合協(xié)同過濾推薦模型進行評估，數(shù)據(jù)集分別為Amazon Movies and TV(AMT)評論評分與Amazon Clothing(AC)視頻評論、評分。數(shù)據(jù)包括用戶ID、物品ID及用戶評論、評分。評分值為1~5，值越大用戶喜好度越高。同時，實驗數(shù)據(jù)按需求進行訓練集TrainSet與測驗集TestSet劃分，且二者沒有交集。

2.3 評價標準

本文提出的深度神經(jīng)網(wǎng)絡融合協(xié)同過濾推薦模型通過用戶與項目的各類歷史記錄中抽取隱特征，然后對特征值進行學習預判、排序。因此本文應用均方根誤差(RMSE)作為評價此模型的指標，通過學習特征模型與真實特征計算偏差，并求平方，然后與預測數(shù)據(jù)量N做比值平方根，計算公式如下：

2.4 實驗對比

實驗通過3個有效模型進行比較，分別為Probabilistic Matrix Factorization(PMF)、LibMF和DNNMF。

2.5 執(zhí)行時間對比分析

深度神經(jīng)網(wǎng)絡(DNN)推薦算法與傳統(tǒng)協(xié)同過濾(CF)運行時間對比：實驗處理數(shù)據(jù)為AMT、AC真實數(shù)據(jù)，大小為1.88 GB。深度神經(jīng)網(wǎng)絡輸入節(jié)點為1 024個，隱含層18個，輸出節(jié)點1 024個，Spark集群節(jié)點為3，比較深度神經(jīng)網(wǎng)絡訓練與傳統(tǒng)協(xié)同過濾處理數(shù)據(jù)集的耗時。實驗結果如圖5所示，其中user表示用戶測試數(shù)據(jù)集耗時，item表示商品測試數(shù)據(jù)集耗時。顯然，DNN執(zhí)行效率更高。

2.6 實驗結果與分析

實驗在2個真實數(shù)據(jù)集下通過本文提出的MV-CFi-DNN模型進行計算評估，同時用RMSE來對模型進行評估預測，在相同實驗環(huán)境與同一數(shù)據(jù)前提下，將MV-CFi-DNN與PMF、LibMF做比較分析。

參數(shù)設置為：用戶、項目特征值權重分別為α=1，β=0.5，MV-CFiDNN模型學習率為lr=0.000 65，用戶、項目隱特征正則化為λuser=λitem=λ，深度神經(jīng)網(wǎng)絡神經(jīng)元數(shù)為1 026個。

為了將MV-CFiDNN模型與PMF、LibMF模型對比，把2個真實數(shù)據(jù)集隨機分為80%的TrainSet與20%的TestSet，且兩者沒有交集，同時把TestSet中的20%數(shù)據(jù)集隨機用于驗證，用來調整模型參數(shù)。

從圖6可知，通過在2個真實數(shù)據(jù)集中測試后，PMF、LibMF的RMSE值相差不大，但與MV-CFiDNN模型的RMSE值有一定差異，表明深度神經(jīng)網(wǎng)絡融合多用戶-項目、協(xié)同過濾模型對于特征值抽取有很好效果。通過實驗結果可以看出，本文提出的深度神經(jīng)網(wǎng)絡融合多用戶-項目協(xié)同過濾模型(MV-CFiDNN)的RMSE值與PMF、LibMF模型比較，都有下降，說明MV-CFiDNN模型能夠解決傳統(tǒng)算法模型的稀疏性、新物品等問題。

3 結束語

本文通過深度神經(jīng)網(wǎng)絡融合協(xié)同過濾，提出了MV-CFiDNN模型，該模型首先對原數(shù)據(jù)庫進行深度神經(jīng)網(wǎng)絡結合協(xié)同過濾個性化進行學習、提取特征值然后生成候選集，再對候選集進行二次學習、提取等生成排序集。產(chǎn)生候選集與排序集過程的深度神經(jīng)網(wǎng)絡學習方法包括輸入層、隱含層及輸出層，其中輸入層是對輸入特征值進行向量化后與用戶、項目權重內積傳輸給隱含層，隱含層根據(jù)接收到的值進行調參、重置等神經(jīng)網(wǎng)絡學習，然后學習、提取的特征值傳遞給輸出層。通過計算得到預測值與真實值擬合。

未來研究可以通過多種神經(jīng)網(wǎng)絡結合更多基礎推薦模型，以便使系統(tǒng)實現(xiàn)智能且符合人為思想的精準、個性化推薦。

參考文獻

[1] PENG Y，ZHU W，ZHAO Y，et al.Cross-media analysis and reasoning：advances and directions[J].Frontiers of Information Technology & Electronic Engineering，2017，18(1)：44-57.

[2] COVINGTON P，ADAMS J，SARGIN E.Deep neural networks for youtube recommendations[C].Proceedings of the10th ACM Conference on Recommender Systems.ACM，2016：191-198.

[3] LI P，WANG Z，REN Z，et al.Neural rating regression with abstractive tips generation for recommendation[Z].2017.

[4] SONG Y，ELKAHKY A M，HE X.Multi-rate deep learning for temporal recommendation[C].Proceedings of the 39th International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM，2016：909-912.

[5] VASILE F，SMIRNOVA E，CONNEAU A.Meta-Prod2Vec：product embeddings using side-information for recommendation[C].ACM Conference on Recommender Systems.ACM，2016：225-232.

[6] HSIEH C K，YANG L，CUI Y，et al.Collaborative metric learning[C].Proceedings of the 26th International Conference on World Wide Web.International World Wide Web Conferences Steering Committee，2017：193-201.

[7] WANG X，HE X，NIE L，et al.Item silk road: recommending items from information domains to social users[Z].2017.

[8] ROY S，GUNTUKU S C.Latent factor representations for cold-start video recommendation[C].Proceedings of the 10th ACM Conference on Recommender Systems.ACM，2016：99-106.

[9] ZHENG L，NOROOZI V，YU P S.Joint deep modeling of users and items using reviews for recommendation[C].Proceedings of the Tenth ACM International Conference on Web Search and Data Mining.ACM，2017：425-434.

[10] EBESU T，F(xiàn)ANG Y.Neural citation network for context-aware citation recommendation[C].International ACM SIGIR Conference on Research and Development in Information Retrieval.ACM，2017：1093-1096.

[11] Zhang Qi，Wang Jiawen，Huang Haoran，et al.Hashtag recommendation for multimodal microblog using co-attention network[C].IJCAI2017，2017.

[12] WEI J，HE J，CHEN K，et al.Collaborative filtering and deep learning based recommendation system for cold start items[J].Expert Systems with Applications，2017，69：29-39.

[13] WANG S，WANG Y，TANG J，et al.What your images reveal: exploiting visual contents for point-of-interest recommendation[C].Proceedings of the 26th International Conference on World Wide Web.International World Wide Web Conferences Steering Committee，2017：391-400.

編輯：jq