一種檢測(cè)興趣漂移的元路徑推薦模型

石 磊,丁 鑫,陶永才,衛(wèi) 琳

1(鄭州大學(xué) 信息工程學(xué)院,鄭州 450001) 2(鄭州大學(xué) 軟件技術(shù)學(xué)院,鄭州 450002)

1 引 言

異構(gòu)信息網(wǎng)絡(luò)是指包含多種類型實(shí)體及其相互作用關(guān)系的網(wǎng)絡(luò)[1].近年來,學(xué)者們逐步認(rèn)識(shí)到異構(gòu)信息網(wǎng)絡(luò)能夠更好地模擬現(xiàn)實(shí)世界的系統(tǒng),基于異構(gòu)信息網(wǎng)絡(luò)的推薦系統(tǒng)研究逐漸成為熱點(diǎn)[1].

近年來,利用元路徑在異構(gòu)信息網(wǎng)絡(luò)中進(jìn)行推薦得到廣泛關(guān)注[13].元路徑通過將異構(gòu)信息網(wǎng)絡(luò)中不同類型的對(duì)象進(jìn)行組合來表達(dá)不同語義,因此元路徑是解決異構(gòu)網(wǎng)絡(luò)相關(guān)問題的有效途徑.但目前基于元路徑的推薦算法多基于用戶興趣不變的假設(shè),沒有考慮用戶興趣漂移的問題.

興趣漂移是指用戶的興趣由于受到各種因素的影響而發(fā)生變化.例如一位學(xué)生可能喜歡娛樂新聞,但是隨著年紀(jì)的增長(zhǎng)可能對(duì)社會(huì)或財(cái)經(jīng)新聞更感興趣.只有準(zhǔn)確掌握用戶的興趣變化,推薦系統(tǒng)才能為用戶提供更符合用戶喜好的個(gè)性化推薦.一些學(xué)者認(rèn)為可以根據(jù)用戶訪問項(xiàng)目的時(shí)間信息對(duì)項(xiàng)目加權(quán)來表示用戶興趣的改變[6].但在實(shí)際生活中,用戶最近訪問的項(xiàng)目并不一定能代表用戶近段時(shí)間的興趣偏好.例如用戶雖然最近觀看了冒險(xiǎn)類型的電影,但他可能對(duì)很久之前觀看的一部喜劇類型的電影更感興趣.還有一些學(xué)者認(rèn)為可以根據(jù)用戶選擇項(xiàng)目的內(nèi)容信息表示用戶的興趣[14],然而很多情況下僅利用項(xiàng)目的內(nèi)容信息不能很好地區(qū)分兩個(gè)項(xiàng)目所屬的類別.例如某兩部電影雖然均為科幻片,但其導(dǎo)演、演員、觀看群眾均不同,如果用這樣的兩部電影表示同一個(gè)興趣特征,則不能靈敏地捕捉用戶的興趣變化.基于此,本文使用項(xiàng)目的內(nèi)容信息以及協(xié)同信息共同描述用戶興趣漂移,同時(shí)為了降低數(shù)據(jù)稀疏性對(duì)推薦結(jié)果準(zhǔn)確性的影響,引入元路徑來描述異構(gòu)信息網(wǎng)絡(luò)中不同類型節(jié)點(diǎn)間的關(guān)聯(lián)關(guān)系,尋找與用戶有較大關(guān)聯(lián)度的項(xiàng)目做為用戶的推薦結(jié)果.

2 相關(guān)工作

2.1 元路徑推薦

異構(gòu)信息網(wǎng)絡(luò)的出現(xiàn),為推薦系統(tǒng)提供了新的機(jī)遇[2,11].文獻(xiàn)[2]考慮不同類型實(shí)體之間的影響強(qiáng)度,提高推薦精度.文獻(xiàn)[11]根據(jù)標(biāo)簽數(shù)據(jù)中不同類型對(duì)象構(gòu)建異構(gòu)網(wǎng)絡(luò)模型,基于該模型進(jìn)行標(biāo)簽推薦.基于異構(gòu)網(wǎng)絡(luò)的推薦模型最重要的是要明確不同類型實(shí)體之間的影響強(qiáng)度.

基于元路徑的方法是解決異構(gòu)網(wǎng)絡(luò)相關(guān)問題的一種有效途徑,元路徑通過將異構(gòu)網(wǎng)絡(luò)中不同類型的對(duì)象進(jìn)行組合并計(jì)算首尾節(jié)點(diǎn)的關(guān)聯(lián)度為用戶進(jìn)行推薦.Huang等人[3]通過計(jì)算不同對(duì)象在不同元路徑上建立連接的概率來進(jìn)行鏈路預(yù)測(cè),實(shí)驗(yàn)表明利用元路徑區(qū)分不同類型的節(jié)點(diǎn)和邊可以顯著提升預(yù)測(cè)精度.Yang等人[12]引入元路徑的同時(shí),利用監(jiān)督學(xué)習(xí)的方法獲得元路徑的權(quán)重,最終根據(jù)不同元路徑上用戶間關(guān)聯(lián)程度為用戶生成好友推薦列表,較基于共同好友數(shù)量的好友推薦算法,推薦準(zhǔn)確率提高了約14%.Cao等人[13]利用元路徑特征值度量首尾節(jié)點(diǎn)的關(guān)聯(lián)度,利用監(jiān)督學(xué)習(xí)方法獲得各特征的權(quán)值,為用戶生成興趣點(diǎn)推薦列表,較傳統(tǒng)推薦算法獲得了更好的推薦效果.文獻(xiàn)[4]在每個(gè)元路徑下采用基于協(xié)同過濾的非負(fù)矩陣分解計(jì)算元路徑的特征值為用戶生成個(gè)性化的電影列表.文獻(xiàn)[5]提出一種基于主題模型的元路徑方法進(jìn)行引文推薦,對(duì)新發(fā)表的論文以及非權(quán)威性論文有較好的推薦效果,有效緩解了引文數(shù)據(jù)庫數(shù)據(jù)稀疏問題.

2.2 興趣漂移檢測(cè)

用戶興趣漂移問題是推薦系統(tǒng)的研究熱點(diǎn),一些研究利用用戶訪問項(xiàng)目的時(shí)間信息為項(xiàng)目分配權(quán)重,以此來反映用戶興趣的變化.文獻(xiàn)[6]認(rèn)為用戶最近評(píng)價(jià)的項(xiàng)目對(duì)預(yù)測(cè)用戶未來的行為影響更大,根據(jù)用戶的行為引入個(gè)性化衰減因子計(jì)算不同項(xiàng)目的時(shí)間權(quán)重,過時(shí)的數(shù)據(jù)獲得較低的權(quán)重.文獻(xiàn)[7]引入時(shí)間因子,根據(jù)時(shí)間加權(quán)函數(shù)選擇鄰居用戶來提升傳統(tǒng)協(xié)同過濾算法的推薦準(zhǔn)確度.盡管上述研究較傳統(tǒng)推薦算法都取得了較好的推薦效果,但是僅依靠時(shí)間因素捕捉用戶興趣漂移是不夠的.一些學(xué)者提出利用用戶訪問的項(xiàng)目?jī)?nèi)容信息表示不同的興趣特征.文獻(xiàn)[14]首先對(duì)影評(píng)進(jìn)行關(guān)鍵詞抽取和詞向量構(gòu)建,然后基于長(zhǎng)短期興趣漂移模型,統(tǒng)計(jì)用戶對(duì)不同內(nèi)容屬性的偏好權(quán)重,緩解了用戶興趣隨時(shí)間漂移而變化的問題.文獻(xiàn)[15]引入位置上下文信息,使用聚類算法獲取用戶在當(dāng)前位置的長(zhǎng)、短期閱讀興趣,針對(duì)長(zhǎng)短期興趣采用不同的推薦算法為用戶推薦新聞,使用戶有更好的閱讀體驗(yàn).文獻(xiàn)[8]則利用微博主題模型狄利克雷分配對(duì)用戶微博進(jìn)行研究,建立用戶個(gè)體動(dòng)態(tài)興趣模型.實(shí)現(xiàn)微博動(dòng)態(tài)個(gè)性化推薦.

3 檢測(cè)興趣漂移的元路徑推薦模型

本文提出一種檢測(cè)興趣漂移的元路徑推薦模型,該模型由三部分組成:1)根據(jù)興趣漂移檢測(cè)算法構(gòu)建用戶的興趣索引,根據(jù)興趣索引為某一興趣中的項(xiàng)目加權(quán),通過權(quán)重值來表示用戶興趣的變化;2)構(gòu)建帶權(quán)用戶-項(xiàng)目異構(gòu)圖;3)在用戶-項(xiàng)目異構(gòu)圖中采用基于元路徑的算法為用戶生成推薦結(jié)果.該模型框架如圖1所示.

圖1 檢測(cè)興趣漂移的元路徑推薦模型框架Fig.1 Meta-path recommendation algorithm framework with detecting interest drift

3.1 用戶興趣漂移檢測(cè)

本文定義U={u1,u2,…,ui,…,un}為用戶集合,其中ui為數(shù)據(jù)集中的用戶.用戶的某一興趣I用一組相似項(xiàng)的集合{p1,p2,…,pi,…,pn}來表示,其中pi為數(shù)據(jù)集中的項(xiàng)目.用戶ui的興趣可以表示為Iui={I1,I2,…,Ii,…,In}.將一個(gè)興趣中最早訪問的項(xiàng)p1稱為該興趣的激活項(xiàng),最近訪問項(xiàng)的時(shí)間稱為該興趣的持續(xù)時(shí)間.將用戶的所有興趣按持續(xù)時(shí)間由近到遠(yuǎn)排序,排序后興趣Ii所在的位置稱為興趣Ii的索引.

當(dāng)用戶訪問的項(xiàng)目?jī)?nèi)容發(fā)生變化時(shí)則認(rèn)為用戶的興趣發(fā)生了漂移,但在很多情況下僅利用項(xiàng)目?jī)?nèi)容很難準(zhǔn)確判斷用戶興趣是否發(fā)生了漂移.例如用戶在一段時(shí)間內(nèi)先后觀看了兩部標(biāo)簽為“驚悚”的電影,僅依據(jù)項(xiàng)目?jī)?nèi)容判斷會(huì)認(rèn)為用戶的興趣并未發(fā)生改變,但實(shí)際上兩部電影的導(dǎo)演、演員、觀看人群以及觀眾評(píng)分均有很大差別,此時(shí)應(yīng)該認(rèn)為用戶對(duì)于電影某些方面的興趣發(fā)生了漂移.基于此,本文利用項(xiàng)目的內(nèi)容信息以及協(xié)同信息來判斷項(xiàng)目間的相似度,并以此來判斷用戶的興趣是否發(fā)生漂移.具體方法如下:

計(jì)算給定項(xiàng)目pi與某一興趣的激活項(xiàng)p1的內(nèi)容相似度.用tpi表示項(xiàng)目pi的標(biāo)簽,Sc(pi,p1)表示項(xiàng)目pi,p1的內(nèi)容相似度,采用文獻(xiàn)[8]中計(jì)算文本內(nèi)容相似度的方法,設(shè)計(jì)Sc(pi,p1)的計(jì)算方法如公式(1)所示.

(1)

計(jì)算項(xiàng)目pi與激活項(xiàng)p1的協(xié)同相似度.用upi表示訪問過項(xiàng)目pi的用戶,用upi∩up1表示同時(shí)訪問過項(xiàng)目pi和項(xiàng)目p1的用戶.用Sn(pi,p1)表示項(xiàng)目pi、p1的協(xié)同相似度,則其計(jì)算如公式(2)所示.

(2)

將內(nèi)容相似度和協(xié)同相似度映射到二維空間,定義相似度閾值r,以r為半徑做為以p1為激活項(xiàng)的興趣Ii的接收域,若pi在接收域內(nèi),則項(xiàng)目pi即屬于興趣Ii.興趣Ii接收域如圖2所示.利用歐式距離公式計(jì)算pi和p1的相似度,計(jì)算如公式(3)所示.

(3)

對(duì)用戶ui訪問過的項(xiàng)目pj根據(jù)其所屬興趣的索引對(duì)pj進(jìn)行加權(quán),定義index(pj)為項(xiàng)目pj所屬興趣的索引,num(ui)為用戶ui的興趣個(gè)數(shù).權(quán)重計(jì)算如公式(4)所示.

w(ui,pj)=eindex(pj)-num(ui)

(4)

用戶興趣漂移檢測(cè)過程如算法1所示.

算法1.興趣漂移檢測(cè)算法

輸入:P,按照用戶訪問時(shí)間排序的項(xiàng)目隊(duì)列;

r,興趣接受域閾值;

N,計(jì)劃推薦給用戶的項(xiàng)目數(shù).

輸出:項(xiàng)目所示興趣的索引.

1.foreach piin P

2.if(I is null)

3. initialize a new interest I[][];

4. put pito I[1][1];

5.else

6.for(I[i][1] in I)

7. flag=false;

8. min=1;

9.if(D(pi,I[i][1])<=r && (D(pi,I[i][1])

10. min=D(pi,I[i][1]);//根據(jù)公式(3)計(jì)算

11. current_interest=I[i];

12. flag=true;

13.endif

14.endfor

15.if(flag)

16. put pito current_interest;

17.else

18. put pito I[i+1][1];

19. put I[i+1][1] to I;

20.endif

21.end

3.2 構(gòu)建帶權(quán)用戶-項(xiàng)目異構(gòu)圖

異構(gòu)圖是指存在不同類型節(jié)點(diǎn)的圖,通常用三元組G={V,E,T}表示,其中V代表圖中的節(jié)點(diǎn),E代表異構(gòu)圖中的邊,T代表不同的節(jié)點(diǎn)類型.圖3所示為用戶和推薦項(xiàng)目的異構(gòu)圖.本文構(gòu)建帶權(quán)的用戶-項(xiàng)目異構(gòu)圖,用四元組G={U,P,E,W}來表示,符號(hào)定義如下:

U={u1,u2,…,un}表示用戶集合;

P={p1,p2,…,pn}表示項(xiàng)目集合;

E=Euu∪Epp∪Eup表示圖中所有類型的邊的集合.

Euu={(ui,uj)|ui,uj∈U},表示鄰居關(guān)系,將用戶的興趣分布以向量形式表示,例如ui={ui1,ui2,ui3,…,uin},則兩位用戶之間的相似度計(jì)算如公式(5)所示.若用戶ui和uj是鄰居關(guān)系,則ui和uj之間有邊連接.

Epp={(pi,pj)|pi,pj∈P},表示項(xiàng)目之間的關(guān)系,若項(xiàng)目pi和項(xiàng)目pj同屬于某一用戶的一個(gè)興趣隊(duì)列,則項(xiàng)目pi和項(xiàng)目pj之間有邊連接.

Eup={(ui,pj)|ui∈U,pj∈P}表示用戶與項(xiàng)目之間的關(guān)系,若用戶ui訪問過項(xiàng)目pj,則ui和pj之間有邊連接.

(5)

W=Wuu∪Wpp∪Wup表示圖中各邊的權(quán)重集合.

Wuu={w(ui,uj)|(ui,uj)∈Euu},若兩用戶間有邊連接,則將其相似度做為邊的權(quán)值.

Wpp={w(pi,pj)|(pi,pj)∈Epp},根據(jù)項(xiàng)目之間的相似度為項(xiàng)目之間的邊賦權(quán)值,相似度利用其歐式距離度量,計(jì)算公式如公式(3)所示.

Wup={w(ui,pj)|(ui,pj)∈Eup},為用戶和項(xiàng)目之間的權(quán)重,根據(jù)公式(4)計(jì)算.

圖3 推薦系統(tǒng)異構(gòu)圖Fig.3 Heterogeneous graph of recommendation system

3.3 基于元路徑的推薦

元路徑通過將不同類型的節(jié)點(diǎn)組合來描述異構(gòu)圖中任意兩節(jié)點(diǎn)間的不同路徑類型.在異構(gòu)圖中元路徑定義為:

用Rel(R)表示一條元路徑R起始節(jié)點(diǎn)和終止節(jié)點(diǎn)的關(guān)聯(lián)度,則推薦問題可以定義為對(duì)于節(jié)點(diǎn)vi,其中vi∈U,尋找與其有較大關(guān)聯(lián)度的節(jié)點(diǎn)vj,其中vj∈P,將vj推薦給vi.

由于長(zhǎng)度大于3的元路徑反映的關(guān)聯(lián)關(guān)系非常弱,所以本文只考慮長(zhǎng)度為2和3的元路徑.則以目標(biāo)用戶ui為起始節(jié)點(diǎn),以pj為終止節(jié)點(diǎn)的元路徑集R′及其所代表的意義如下所示:

ui-P-pj:用戶可能對(duì)與已訪問過的項(xiàng)目相似的項(xiàng)目感興趣.體現(xiàn)了基于項(xiàng)目的協(xié)同過濾.

ui-U-pj:用戶可能對(duì)其好友喜歡的項(xiàng)目感興趣.體現(xiàn)了基于用戶的協(xié)同過濾思想.

ui-U-P-pj:用戶可能喜歡與其好友喜歡的項(xiàng)目相似的項(xiàng)目.

ui-P-U-pj:用戶可能對(duì)與其興趣相似的用戶喜歡的項(xiàng)目感興趣.

ui-U-U-pj:用戶可能喜歡與其有相同好友的用戶喜歡的項(xiàng)目.

ui-P-P-pj:用戶可能喜歡與其喜歡的項(xiàng)目有多層相

1數(shù)據(jù)集查載于GroupLens實(shí)驗(yàn)室網(wǎng)站：https://grouplens.org/datasets/movielens/

似關(guān)系的項(xiàng)目.

對(duì)于每條元路徑R∈R′,其起始節(jié)點(diǎn)和終止節(jié)點(diǎn)的關(guān)聯(lián)度用Rel(R)表示,Rel(R)的計(jì)算如公式(6)所示.

(6)

其中rel(r)代表按照R的一條實(shí)例路徑r由起始節(jié)點(diǎn)游走到終止節(jié)點(diǎn)的概率.基于隨機(jī)游走的思想認(rèn)為在實(shí)例路徑上的每一跳都是相互獨(dú)立的,因此按照實(shí)例路徑r由起始節(jié)點(diǎn)游走到終止節(jié)點(diǎn)的概率rel(r)的計(jì)算如公式(7)所示,其中v1=ui,vn=pj.

(7)

本文定義由節(jié)點(diǎn)vi游走到vi+1的概率計(jì)算如公式(8)所示,vi+1為vi的相鄰節(jié)點(diǎn),且vi+1的節(jié)點(diǎn)類型與元路徑中第i+1個(gè)節(jié)點(diǎn)類型相同.neig(vi)表示所有與vi節(jié)點(diǎn)相鄰且節(jié)點(diǎn)類型與vi+1相同的節(jié)點(diǎn)集合.

(8)

根據(jù)用戶-項(xiàng)目之間的元路徑集C={R1,R2,R3,R4,R5,R6},任意用戶-項(xiàng)目對(duì)(ui,pj)都可以得到一組關(guān)聯(lián)度集合表示為α={Rel(R1),Rel(R2),…,Rel(R6)}.則用戶ui訪問項(xiàng)目pj的概率如公式(9)所示,其中θ={1,1,1,1,1,1}T.

(9)

對(duì)用戶ui推薦過程如算法2 所示.

算法2.元路徑推薦算法

輸入:C,元路徑集;G,異構(gòu)圖;ui,目標(biāo)用戶.

輸出:Lr,目標(biāo)用戶的推薦列表.

1. initialize list result_list;

2.foreach p in P

3.foreach ci in C

4. Relci=0;

5.foreach r in ci

6. rel_r=calcute rel(r);//由公式(7)計(jì)算

7. Relci+=rel_r;

8.endfor

9. ɑ[i++]=Relci;

10.endfor

11. pro(p)=eɑθ/(eɑθ+1);//由公式(9)計(jì)算

12. put p to result_list;

13.endfor

14. make the top-N result_list as Lr;

15.end

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)數(shù)據(jù)集

MovieLens[10]是一個(gè)向用戶推薦電影的推薦系統(tǒng)實(shí)驗(yàn)性站點(diǎn).本文采用MovieLens數(shù)據(jù)集1.數(shù)據(jù)集共包含三個(gè)文件,分別記錄用戶信息、電影信息和用戶評(píng)分信息.數(shù)據(jù)集中記錄了從1995年1月9日至2016年10月16日間671位用戶對(duì)9125部影片約100004條評(píng)分信息,評(píng)分信息包括用戶ID、電影ID、用戶評(píng)分和時(shí)間信息等數(shù)據(jù)項(xiàng).

4.2 算法評(píng)價(jià)標(biāo)準(zhǔn)

準(zhǔn)確率和召回率是TOP-N推薦的重要評(píng)價(jià)標(biāo)準(zhǔn).在電影推薦中,準(zhǔn)確率表示在推薦給用戶的項(xiàng)目中,用戶評(píng)分的項(xiàng)目占推薦數(shù)量的比例.召回率是用戶評(píng)分的影片中被推薦影片所占的比率.上述兩個(gè)指標(biāo)的調(diào)和平均值F值越高,則表明推薦算法的推薦效果越好.本文利用F值來度量個(gè)體推薦結(jié)果的準(zhǔn)確度.對(duì)于用戶u,令Ru作為算法推薦的結(jié)果集合,Tu作為測(cè)試集中用戶u訪問的項(xiàng)目的集合,其推薦準(zhǔn)確率P、召回率R、以及F值的計(jì)算分別如公式(10)至公式(12)所示.

(10)

(11)

(12)

另外,為了進(jìn)一步衡量推薦效果的精確度,對(duì)推薦列表中用戶評(píng)分的項(xiàng)目采用平均誤差MAE(Mean Absolute Error)來計(jì)算數(shù)據(jù)集中用戶實(shí)際評(píng)分與預(yù)測(cè)評(píng)分的差別.MAE的值越小,說明推薦結(jié)果與實(shí)際結(jié)果誤差越小,即推薦準(zhǔn)確率越高.MovieLens數(shù)據(jù)集中評(píng)分采用5分制,因此將算法預(yù)測(cè)的訪問概率乘以5作為目標(biāo)用戶對(duì)該影片的預(yù)測(cè)評(píng)分.假設(shè)預(yù)測(cè)的目標(biāo)用戶評(píng)分集合為{p1,p2,p3,…,pN},對(duì)應(yīng)項(xiàng)目的實(shí)際評(píng)分集合為{r1,r2,r3,…,rN},則MAE的計(jì)算如公式(13)所示.

(13)

4.3 實(shí)驗(yàn)方案

實(shí)驗(yàn)構(gòu)造四個(gè)訓(xùn)練集與測(cè)試集對(duì),第一個(gè)數(shù)據(jù)對(duì)將數(shù)據(jù)集按5∶5的比例劃分為訓(xùn)練集和測(cè)試集;第二個(gè)數(shù)據(jù)對(duì)和第三個(gè)數(shù)據(jù)對(duì)分別按照6∶4的比例和7∶3的比例;最后一個(gè)數(shù)據(jù)對(duì)則按照8∶2的比例進(jìn)行劃分.

實(shí)驗(yàn)內(nèi)容設(shè)置如下:

1)比較不同的接收域半徑對(duì)推薦效果的影響;

2)不同的推薦算法比較.

4.3.1 接收域半徑

接收域半徑的大小控制著興趣范圍,對(duì)捕捉用戶興趣漂移有極大的影響,接收域過大時(shí),對(duì)用戶的興趣漂移不敏感.當(dāng)接收域半徑為0時(shí),本算法退化為一個(gè)時(shí)間加權(quán)算法,此時(shí),用戶的興趣可以由他近期評(píng)分的項(xiàng)目特征反映.表1顯示了不同的接收域半徑對(duì)推薦準(zhǔn)確率和召回率的影響,其結(jié)果用F值表示.

由表1可以看出,訓(xùn)練集從50%調(diào)整到80%的過程中,最優(yōu)r值保持在0.4到0.7之間.當(dāng)訓(xùn)練集達(dá)到80%,接收域設(shè)為0.4時(shí),推薦準(zhǔn)確率最優(yōu).

表2為訓(xùn)練集為80%,r取0.4時(shí)UserID為1的用戶興趣漂移檢測(cè)結(jié)果.由表2可以看出,盡管興趣2和興趣5代表的電影風(fēng)格相同,但是根據(jù)其協(xié)同信息的差別依然被分到不同的興趣中.而通過實(shí)際觀察發(fā)現(xiàn)興趣2中的電影均為90年代的電影,而興趣5中的電影為40年代的影片,二者的評(píng)分也相差很多,這些不同使得兩類影片有不同的觀眾群體,因此被分到兩個(gè)不同的興趣隊(duì)列.

表1 不同接收域半徑r的F值實(shí)驗(yàn)結(jié)果
Table 1 Result of F value with different r

r5:56:47:38:20.30.3280.3940.4180.4530.40.3340.4270.4370.4760.50.3860.4350.4510.4560.60.4030.3720.4220.4240.70.3670.3640.3870.398

4.3.2 不同推薦算法的對(duì)比

為了驗(yàn)證算法的有效性,本文選擇和基于圖結(jié)構(gòu)的推薦算法ItemRank[9]和文獻(xiàn)[16]中提出的BPIR算法進(jìn)行比較.本文選擇每個(gè)算法的最優(yōu)參數(shù)進(jìn)行比較.將ItemRank算法中的衰減因子α設(shè)置為0.01,BPIR算法的重啟動(dòng)概率設(shè)為0.99.實(shí)驗(yàn)準(zhǔn)確率對(duì)比如圖4所示.

表2 當(dāng)r=0.4時(shí),用戶1的興趣漂移檢測(cè)結(jié)果
Table 2 Interest_drift_detection results for user 1 with r=0.4

興趣索引興趣激活項(xiàng)Movie_IDGenre113391339,1061,1343Thriller214051405,2294Animation|Children321051371,2105,1129,2193Adventure|Sci-Fi4129331,1172,1293,1263Drama510291029Animation|Children629682968,2150,3671Adventure|Comedy

圖4 不同推薦算法準(zhǔn)確率對(duì)比Fig.4 Precise comparison of different recommendation algorithms

由圖4可以看出,本文提出的檢測(cè)用戶興趣漂移的推薦算法在準(zhǔn)確率上較之ItemRank算法及BPIR算法有明顯提高.其F值較ItemRank算法提高了8.1%,較BPIR算法提高了1.39%.為進(jìn)一步驗(yàn)證本文提出的推薦算法的有效性,將推薦列表中系統(tǒng)預(yù)測(cè)評(píng)分與用戶測(cè)試集中的評(píng)分進(jìn)行比較,用MAE來表示二者的差異,實(shí)驗(yàn)結(jié)果如圖5所示.

圖5 不同推薦算法MAE對(duì)比Fig.5 MAE comparison of different recommendation algorithms

由圖5可以看出,本文提出的算法在準(zhǔn)確度提高上不明顯,較BPIR算法提高了3.02%.但對(duì)推薦結(jié)果評(píng)分的擬合度上優(yōu)于BPIR算法.雖然元路徑算法和BPIR算法中采用的隨機(jī)游走算法相比復(fù)雜度較高,但引入元路徑描述用戶與興趣點(diǎn)之間的關(guān)聯(lián)性有效地緩解了數(shù)據(jù)稀疏性問題,提高了推薦結(jié)果準(zhǔn)確度.

5 總結(jié)與展望

本文針對(duì)異構(gòu)信息網(wǎng)絡(luò)中用戶興趣漂移問題提出了一種考慮用戶興趣漂移的元路徑推薦模型,模型首先使用項(xiàng)目的內(nèi)容信息以及項(xiàng)目的協(xié)同信息來表示用戶的興趣特征,以此來捕捉用戶興趣變化;其次引入元路徑描述不同類型節(jié)點(diǎn)間的關(guān)聯(lián)性,計(jì)算用戶訪問各項(xiàng)目的概率為用戶生成推薦列表.在MovieLens數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了算法的有效性,較BPIR算法,本文提出的算法推薦準(zhǔn)確度提高了3.02%.接下來將進(jìn)一步研究用戶興趣漂移問題,預(yù)測(cè)用戶興趣漂移發(fā)生的時(shí)間,同時(shí)對(duì)推薦算法進(jìn)行優(yōu)化,降低算法復(fù)雜度,提高推薦效率.