融合物品信息的社會(huì)化推薦算法

衛(wèi)鼎峰，李 梁，柴 晶

1.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原 030600

2.太原師范學(xué)院 城市與旅游學(xué)院，太原 030619

互聯(lián)網(wǎng)的高速發(fā)展極大地便利了人們的生活，然而各種各樣的信息充斥著人們的生活，但人的精力是有限的，一些雜亂的冗余信息顯然并不值得關(guān)注，為此，推薦系統(tǒng)的應(yīng)用而生讓人們對(duì)感興趣的事物更加專注。數(shù)據(jù)稀疏性問題是限制傳統(tǒng)推薦算法性能的重要因素，社交網(wǎng)絡(luò)的引入可以緩解了這一問題，使推薦算法更加優(yōu)化。由生活經(jīng)驗(yàn)可知，人們判斷某些事物時(shí)，往往會(huì)征求他信任朋友的意見[1-2]，因此，社交朋友對(duì)產(chǎn)品的推薦上有很大的推動(dòng)作用。大量融合社交網(wǎng)絡(luò)的推薦實(shí)驗(yàn)表明，引入社交網(wǎng)絡(luò)會(huì)改善推薦算法的性能，提高冷啟動(dòng)用戶推薦的準(zhǔn)確性。然而在大量的社交推薦算法中，僅僅只是對(duì)用戶和其好友之間的特征向量的限制，并未對(duì)物品與其相似性物品的特征向量進(jìn)行限制，阻礙了社交推薦算法的性能。

為解決上述問題，本文通過用戶與物品的交互圖構(gòu)建物品相似性網(wǎng)絡(luò)，在物品相似性網(wǎng)絡(luò)上通過隨機(jī)游走的方法得到物品節(jié)點(diǎn)序列，并將其輸入到SkipGram 中得到物品的特征向量，依靠余弦相似度構(gòu)建出Top-K個(gè)相似物品，從而構(gòu)建物品隱性相似性網(wǎng)絡(luò)。同時(shí)，融合隱性物品相似性網(wǎng)絡(luò)和社交網(wǎng)絡(luò)，利用圖神經(jīng)網(wǎng)絡(luò)編碼用戶和物品的嵌入表示，并通過正則化迫使該物品與相似物品的特征接近，用戶與社交好友的偏好接近，實(shí)現(xiàn)了物品相似性傳播和用戶的信任傳播。在三個(gè)公開的數(shù)據(jù)集上進(jìn)行測(cè)試，結(jié)果表明：本文所提出的改進(jìn)算法優(yōu)于同類的社交推薦算法，并在一定程度上提升了冷啟動(dòng)用戶的推薦性能。

1 相關(guān)工作

隨著深度學(xué)習(xí)的興起，基于神經(jīng)網(wǎng)絡(luò)的推薦算法改善了傳統(tǒng)推薦算法的性能。文獻(xiàn)[3]提出了神經(jīng)矩陣分解模型即利用多層感知機(jī)學(xué)習(xí)用戶和物品之間的交互函數(shù)，提升其非線性建模的能力。文獻(xiàn)[4]提出了使用外積來顯式地對(duì)嵌入維度之間成對(duì)的相關(guān)性進(jìn)行建模，即利用用戶和物品的外積建立成二維交互作用圖，并使用卷積神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)特征向量維度之間的高階相關(guān)性，進(jìn)而改善推薦性能。而編碼器的研究在神經(jīng)網(wǎng)絡(luò)中也占有一席之地，為此，文獻(xiàn)[5]提出了協(xié)作降噪自動(dòng)編碼器（CDAE），即用于利用降噪自動(dòng)編碼器對(duì)物品推薦。文獻(xiàn)[6]將變分自動(dòng)編碼器擴(kuò)展到用于隱式反饋的協(xié)作過濾，這種非線性概率模型能夠超越線性因子模型的有限建模能力。文獻(xiàn)[7]提出了一個(gè)聯(lián)合協(xié)作自動(dòng)編碼器框架，該框架可同時(shí)學(xué)習(xí)用戶與用戶之間和物品與物品之間的相關(guān)性，從而產(chǎn)生更強(qiáng)大的模型并提高推薦性能。但是，在深度學(xué)習(xí)領(lǐng)域中，圖神經(jīng)網(wǎng)絡(luò)天然地適用于物品推薦，產(chǎn)生更好的推薦性能。因此，本文利用圖神經(jīng)網(wǎng)絡(luò)獲取用戶和物品的特征向量。

在實(shí)際生活中，人們購(gòu)買商品時(shí)更習(xí)慣傾聽朋友的意見，依據(jù)這一現(xiàn)象，社交推薦算法應(yīng)運(yùn)而生。文獻(xiàn)[8]利用概率矩陣分解模型進(jìn)行社交推薦即SoRec模型，將評(píng)分矩陣分解為用戶特征矩陣和物品特征矩陣，社交矩陣分解為用戶特征矩陣和好友特征矩陣，其中，用戶特征矩陣的共享將評(píng)分矩陣和好友矩陣聯(lián)系起來。為了更具有可解釋性，文獻(xiàn)[9]提出了RSTE 模型，即用戶最終對(duì)物品的預(yù)測(cè)來源于兩方面，一方面是用戶本身對(duì)物品的預(yù)測(cè)，另一方面是該用戶社交朋友對(duì)該物品的預(yù)測(cè)，為此，加權(quán)兩方面的預(yù)測(cè)提升了推薦的性能，但是該模型并未包含信任傳播。文獻(xiàn)[10]提出SocialMF模型，認(rèn)為用戶的偏好更為接近其社交朋友的平均偏好。而在實(shí)際生活中，用戶的偏好與其不同的社交朋友的偏好略有不同，為此，文獻(xiàn)[11]提出SocialReg模型，該模型是社交正則化模型，通過用戶之間的相似度表示社交好友之間的信任強(qiáng)度，該模型有兩種正則化：一種是基于平均的正則化，即用戶的偏好接近為不同信任強(qiáng)度的社交朋友的加權(quán)平均偏好；另一種是基于個(gè)人的正則化，即在不同的信任強(qiáng)度下，用戶的偏好接近其社交朋友的偏好。顯然，后者可以間接傳播用戶偏好，有利于推薦性能的提升。文獻(xiàn)[12]提出的TrustSVD 模型是通過引入隱式社交信息和對(duì)社交矩陣的分解來改進(jìn)SVD++模型。實(shí)際中，用戶的偏好與社交朋友的偏好會(huì)有很大的不同，為此，顯式社交網(wǎng)絡(luò)可能會(huì)誤導(dǎo)推薦性能。文獻(xiàn)[13]提出了CUNE 模型，該模型在評(píng)分矩陣上獲得與用戶有相同偏好的前k個(gè)可靠的語義朋友，并采用矩陣分解的方法傳播用戶偏好。

社交網(wǎng)絡(luò)的引入，提高了推薦算法的性能，但以上的社交推薦算法并未進(jìn)行物品相似性的傳播[14-15]。在實(shí)際中，物品與物品之間有直接或間接的聯(lián)系，配套的物品往往會(huì)發(fā)揮一加一大于二的效果，因此融入物品隱性相似性網(wǎng)絡(luò)對(duì)推薦算法具有重要意義。

2 本文ISGCF算法原理

2.1 構(gòu)建隱性物品相似性網(wǎng)絡(luò)

2.1.1 構(gòu)建物品相似性網(wǎng)絡(luò)

在用戶與物品的交互圖上，有兩個(gè)集合，分別是用戶集合和物品集合，用戶和物品交互的實(shí)際意義是用戶曾經(jīng)購(gòu)買或點(diǎn)擊過該物品，即該物品可能被多個(gè)用戶點(diǎn)擊或者購(gòu)買過，如圖1所示。為此可以在物體交互圖上構(gòu)建僅有物品的網(wǎng)絡(luò)，即將物品作為節(jié)點(diǎn)，物品之間的連線表示為物品被共有的用戶點(diǎn)擊或者購(gòu)買過，連線的權(quán)重為共有用戶的個(gè)數(shù)。如圖2 所示的物品相似性網(wǎng)絡(luò)中，物品1和物品2共同被一個(gè)用戶b點(diǎn)擊或購(gòu)買，則這兩物品之間的權(quán)重為1。該物品相似性網(wǎng)絡(luò)不僅可以表示相鄰物品之間的相似性還可以傳遞間接物品的相似性，即圖2中，物品1和物品2相似，物品2和物品4相似，則物品1和物品4間接相似，事實(shí)上，物品1和物品4是相連接的，其本身相似。這也符合實(shí)際生活，當(dāng)用戶購(gòu)買了電腦和鼠標(biāo)，另一用戶購(gòu)買了該鼠標(biāo)和U 盤，顯而易見，電腦和U盤都是使用電腦者所必備的，為此，兩者之間有相似性，電腦和U盤的相似性通過用戶購(gòu)買鼠標(biāo)間接進(jìn)行傳遞。

圖1 用戶物品交互圖Fig.1 User item interaction diagram

圖2 物品相似性網(wǎng)絡(luò)Fig.2 Item similarity network

2.1.2 構(gòu)建物品隱性相似性網(wǎng)絡(luò)

為了進(jìn)一步探究物體之間的相似性，在物品相似性網(wǎng)絡(luò)上需要構(gòu)建物品隱性相似性網(wǎng)絡(luò)。在物品相似網(wǎng)絡(luò)中的某一特定節(jié)點(diǎn)上采用隨機(jī)游走的方法得到特定長(zhǎng)度的節(jié)點(diǎn)序列，即從前一個(gè)物品節(jié)點(diǎn)的鄰居節(jié)點(diǎn)中隨機(jī)選擇一個(gè)節(jié)點(diǎn)作為下一個(gè)物品節(jié)點(diǎn)，而在每個(gè)節(jié)點(diǎn)上通過n次隨機(jī)游走得到n個(gè)節(jié)點(diǎn)序列。如圖2所示，物體1作為特定節(jié)點(diǎn)，當(dāng)節(jié)點(diǎn)序列的長(zhǎng)度為4時(shí)，其中一種節(jié)點(diǎn)序列為1 →2 →4 →3 其采取的隨機(jī)游走方式受兩方面的限制，一方面選擇節(jié)點(diǎn)之間權(quán)重大的節(jié)點(diǎn)作為下一個(gè)節(jié)點(diǎn)；另一方面從未被游走過的節(jié)點(diǎn)中選擇節(jié)點(diǎn)作為下一個(gè)節(jié)點(diǎn)。將每個(gè)節(jié)點(diǎn)得到的節(jié)點(diǎn)序列輸入到SkipGram中，可得到物品相似網(wǎng)絡(luò)中物品的向量表示，通過余弦相似度計(jì)算出物品相似網(wǎng)上與該物體相似程度最大的Top-K個(gè)物品，從而得到該物品的隱性相似性網(wǎng)絡(luò)。

余弦相似度的公式如下：

其中，Qj和Qt分別為SkipGram得到的物品j和t的向量，cos(j,t)為物品j和t相似的程度。

由于通過隨機(jī)游走的方式得到的物品節(jié)點(diǎn)序列相似于文本中的單詞序列，因此將節(jié)點(diǎn)序列輸入到SkipGram中具有合理性。使用該方法得到的物品隱性相似性網(wǎng)絡(luò)可以更加高效地傳遞相鄰物品的相似性。

2.2 社交正則化模型

社交正則化模型是概率矩陣分解模型在社交網(wǎng)絡(luò)上的拓展，數(shù)學(xué)意義為用戶的特征向量與其相連用戶的特征向量的距離盡可能小，實(shí)際的表示含義為用戶的偏好與其社交用戶的偏好接近，該模型的作用在于可以間接傳播用戶之間的信任程度。其損失函數(shù)為：

公式（2）中，右側(cè)的第一項(xiàng)是預(yù)測(cè)分?jǐn)?shù)和實(shí)際分?jǐn)?shù)的總誤差，第二項(xiàng)是用戶和物品的正則項(xiàng)，第三項(xiàng)是用戶和其鄰居用戶的正則項(xiàng)，其中Iij為指示函數(shù)，指當(dāng)用戶i對(duì)物品j有歷史交互時(shí)為1，否則為0。pi和qj分別表示用戶i和物品j的特征向量。rij為用戶i對(duì)物品j的評(píng)分，‖· ‖F(xiàn)為f范數(shù)，P∈Rl×m，Q∈Rl×n分別為用戶和物品的特征矩陣，l為特征向量的維度，m和n分別為用戶和物品的個(gè)數(shù)，H(i)為用戶i直接鄰居的集合，f表示用戶i的其中一個(gè)直接鄰居，Sim(i,f)為用戶i和用戶f的相似程度，其公式如下：

其中，I(i)為用戶i購(gòu)買物品的集合，為用戶i對(duì)物品的平均評(píng)分，j為用戶i和用戶f共同購(gòu)買過的物品。

2.3 融合物品相關(guān)性和社交網(wǎng)絡(luò)的圖神經(jīng)網(wǎng)絡(luò)

最新研究的圖神經(jīng)網(wǎng)絡(luò)為圖結(jié)構(gòu)開辟了新的思路，通過傳遞和收集領(lǐng)域節(jié)點(diǎn)的信息以編碼節(jié)點(diǎn)的特征信息，既在特征表示中嵌入結(jié)構(gòu)信息，又可捕捉全局信息。本文通過物品的隱性相似性網(wǎng)絡(luò)、社交網(wǎng)絡(luò)和用戶與物品的交互網(wǎng)絡(luò)編碼用戶和物品的結(jié)構(gòu)信息，其公式如下：

2.4 融合物品相似性傳播的社交推薦

以往的算法中，通常引入社交網(wǎng)絡(luò)來改進(jìn)社交網(wǎng)絡(luò)中用戶與其直接鄰居的正則化項(xiàng)，實(shí)現(xiàn)信任傳播，并未考慮引入隱性物品相似性網(wǎng)絡(luò)來實(shí)現(xiàn)物品與其相似性物品的相似性傳播，即將物品與其相似性物品的距離加以約束。本文提出基于物品相似性傳播的社交推薦算法，該算法會(huì)對(duì)物品的特征向量進(jìn)行進(jìn)一步的正則化，以增加算法的精確度，其損失函數(shù)為：

在公式（6）中，用戶的偏好會(huì)盡可能接近社交網(wǎng)絡(luò)中相鄰用戶的偏好，物品的特征也盡可能與隱性物品相似性網(wǎng)絡(luò)中的物品特征接近，具有很好的現(xiàn)實(shí)意義。

若僅考慮隱性物品相似性網(wǎng)絡(luò)未引入社交網(wǎng)絡(luò)，可得本文的一種變體算法，其損失函數(shù)為：

為有效地學(xué)習(xí)該模型，本文采用梯度下降法，即分別對(duì)向量pi和qj求導(dǎo)：

通過梯度下降法迭代更新用戶和物體的特征向量。將用戶的特征向量和物品的特征向量?jī)?nèi)積可得該用戶對(duì)物品的評(píng)分，以達(dá)到很好的預(yù)測(cè)效果。

2.5 ISGCF算法的描述

ISGCF算法描述如下。

輸入：社交網(wǎng)絡(luò)和用戶物品交互圖。

輸出：目標(biāo)用戶對(duì)測(cè)試物品的預(yù)測(cè)評(píng)分。

步驟1在用戶物品交互圖上通過隨機(jī)游走和Skip-Gram方法構(gòu)建物品隱性相似性網(wǎng)絡(luò)。

步驟2通過圖神經(jīng)網(wǎng)絡(luò)的方法學(xué)習(xí)物品隱性相似性網(wǎng)絡(luò)、社交網(wǎng)絡(luò)和用戶物品交互圖，通過公式（4）（5）得到用戶和物品編碼的特征向量。

步驟3通過公式（6）（8）（9）迭代更新得到最終的用戶和物品的特征向量。

3 實(shí)驗(yàn)分析

在3 個(gè)公共數(shù)據(jù)集上驗(yàn)證基于物品相似性傳播的社交推薦算法的推薦效果，并采用兩個(gè)經(jīng)典的評(píng)價(jià)指標(biāo)即均方根誤差和平均絕對(duì)誤差來評(píng)價(jià)實(shí)驗(yàn)結(jié)果。

3.1 數(shù)據(jù)集的描述

為了驗(yàn)證提出算法的有效性，本文在3個(gè)公共的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，即film-trust、Ciao 和Douban。3 個(gè)公共數(shù)據(jù)集都包含了評(píng)分矩陣和信任矩陣。作為電影評(píng)分?jǐn)?shù)據(jù)集，film-trust 的評(píng)分在0.5 到4.0 之間，用戶之間的社交關(guān)系在信任矩陣中，此數(shù)據(jù)集的用戶數(shù)目少于電影數(shù)目。作為物品評(píng)分?jǐn)?shù)據(jù)集，Ciao和Douban的評(píng)分在1.0 到5.0 之間，Ciao 中用戶的數(shù)目略多于物品的數(shù)目，Douban 中用戶的數(shù)目遠(yuǎn)小于物品的數(shù)目，而film-trust數(shù)據(jù)集的評(píng)分矩陣稀疏度低于Douban 數(shù)據(jù)集，高于Ciao數(shù)據(jù)集。兩個(gè)數(shù)據(jù)集的具體統(tǒng)計(jì)情況如表1所示。

表1 數(shù)據(jù)集分析Table 1 Data set analysis

3.2 推薦算法評(píng)價(jià)指標(biāo)

本文采用平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）作為推薦算法的評(píng)價(jià)指標(biāo)。公式如下：

其中，N為測(cè)試集的評(píng)分?jǐn)?shù)目，為測(cè)試集中用戶i對(duì)物品j的預(yù)測(cè)分?jǐn)?shù)，評(píng)價(jià)指標(biāo)的值越小，推薦算法的效果越好。

3.3 實(shí)驗(yàn)對(duì)比與參數(shù)

為了有效地評(píng)估本文模型的推薦性能，選取了4種經(jīng)典的社交推薦算法和本文的一個(gè)變體推薦算法進(jìn)行對(duì)比。

（1）SoRec：通過共享用戶特征矩陣的方式將評(píng)分矩陣與社交矩陣聯(lián)系的一種社交推薦算法模型。

（2）SocialMF：可實(shí)現(xiàn)信任傳播的一種社交推薦算法。

（3）SocialReg：通過正則化的方式來間接傳播偏好的一種社交推薦算法。

（4）NGCF[16]：在用戶物品交互圖上高階傳播用戶和物品信息的推薦算法。

（5）IGCF：本文推薦算法的一種變體，只進(jìn)行物品相似性傳播的推薦算法。

在所有的算法中，用戶和物品的特征維數(shù)都是10，λ設(shè)置為0.001，為了設(shè)計(jì)方便，α=β=0.01，在film-trust和Douban數(shù)據(jù)集中，學(xué)習(xí)率設(shè)置為0.01，迭代數(shù)為100，在Ciao數(shù)據(jù)集中，為了避免梯度爆炸，將學(xué)習(xí)率設(shè)置為0.001，迭代數(shù)為200。本文中所有的實(shí)驗(yàn)結(jié)果都采用五折交叉驗(yàn)證的方法，其中80%的數(shù)據(jù)集作為訓(xùn)練集，20%的數(shù)據(jù)集作為測(cè)試集，將測(cè)試結(jié)果的均值作為最終的評(píng)價(jià)結(jié)果，其中設(shè)置每個(gè)物品有30個(gè)節(jié)點(diǎn)序列，長(zhǎng)度為20 個(gè)物品節(jié)點(diǎn)。在film-trust 和Ciao 數(shù)據(jù)集中Top-K設(shè)置為50，在Douban數(shù)據(jù)集中Top-K設(shè)置為10，隨后進(jìn)一步探討Top-K對(duì)推薦效果的影響。

3.4 實(shí)驗(yàn)結(jié)果分析

本文設(shè)計(jì)了3 個(gè)實(shí)驗(yàn)，在第一個(gè)實(shí)驗(yàn)中，記錄了不同算法下普通用戶的評(píng)價(jià)指標(biāo)，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 不同算法對(duì)普通用戶評(píng)價(jià)指標(biāo)的比較Fig.3 Comparison of evaluation indexes of different algorithms on ordinary users

由圖3 可知，在3 個(gè)數(shù)據(jù)集中，NGCF 效果最差，因?yàn)樵撍惴▋H在用戶物品交互圖上進(jìn)行推薦算法的改良，未進(jìn)行社會(huì)化推薦。SoRec 效果次之，因?yàn)镾oRec 算法僅共享用戶特征向量，并未進(jìn)行用戶之間的信任傳播和物品之間的相似性傳播。在film-trust 和Ciao 數(shù)據(jù)集中，本文算法ISGCF 明顯優(yōu)于其他算法，分析原因是本文算法不僅間接傳播用戶的偏好而且間接傳遞物品的相似性。在filmtrust數(shù)據(jù)集中，ISGCF算法略優(yōu)于IGCF算法，在Ciao 數(shù)據(jù)集中，算法ISGCF 明顯優(yōu)于算法IGCF，說明引入社交網(wǎng)絡(luò)會(huì)提高推薦算法的準(zhǔn)確性。在film-trust 和Ciao 數(shù)據(jù)集中，算法ISGCF 明顯優(yōu)于算法SocialReg，說明物品隱性相似性網(wǎng)絡(luò)可有效提高推薦算法的性能。在Douban數(shù)據(jù)集中，算法IGCF產(chǎn)生最優(yōu)的推薦性能，但與算法SocialReg相差不大，因?yàn)橄啾惹皟蓚€(gè)數(shù)據(jù)集，Douban數(shù)據(jù)集中社交矩陣稀疏度更高，社交網(wǎng)絡(luò)發(fā)揮著更為重要的作用。綜合實(shí)驗(yàn)結(jié)果可知，我們的算法在不同的數(shù)據(jù)集中均可對(duì)普通用戶達(dá)到最優(yōu)的推薦結(jié)果。

在第二個(gè)實(shí)驗(yàn)中，探究不同算法對(duì)冷啟動(dòng)用戶的推薦效果。本實(shí)驗(yàn)將對(duì)物品的評(píng)分?jǐn)?shù)小于等于5 的用戶視為冷啟動(dòng)用戶，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 不同算法對(duì)冷啟動(dòng)用戶評(píng)價(jià)指標(biāo)的比較Fig.4 Comparison of evaluation indexes of different algorithms on cold start users

由圖4 可知，在filmtrust 和Douban 數(shù)據(jù)集中，算法ISGCF中優(yōu)于其他算法，其中ISGCF算法明顯優(yōu)于算法SocialReg 和算法IGCF，說明結(jié)合社交網(wǎng)絡(luò)和物品隱性相似性網(wǎng)絡(luò)會(huì)提高冷啟動(dòng)用戶的推薦性能。在數(shù)據(jù)集Ciao 中，算法IGCF 產(chǎn)生最優(yōu)的推薦性能，算法Social-Reg 的推薦性能次之，算法ISGCF 的推薦效果不優(yōu)，說明單獨(dú)使用社交網(wǎng)絡(luò)和物品隱性相似性網(wǎng)絡(luò)會(huì)提高冷啟動(dòng)用戶的推薦性能，同時(shí)結(jié)合社交網(wǎng)絡(luò)和物品隱性相似性網(wǎng)絡(luò)則會(huì)產(chǎn)生過擬合使得推薦性能下降。綜合實(shí)驗(yàn)結(jié)果可知，本文的算法在在社交稀疏度較大的filmtrust 和Douban 數(shù)據(jù)集中實(shí)現(xiàn)了最優(yōu)的推薦性能，在社交稀疏度較小的Ciao數(shù)據(jù)集中，本文變體算法對(duì)冷啟動(dòng)用戶實(shí)現(xiàn)最優(yōu)的推薦效果。

在第三個(gè)實(shí)驗(yàn)中，探究參數(shù)Top-K 對(duì)實(shí)驗(yàn)的影響。在數(shù)據(jù)集filmtrust 中，Top-K 設(shè)置在0 到500 之間，其中每隔50 做一次記錄；在數(shù)據(jù)集Ciao 中，設(shè)置在0 到100之間，每隔10 做一次記錄；在數(shù)據(jù)集Douban 中，Top-K設(shè)置在0到20之間，并進(jìn)行記錄，如圖5所示。

由圖5可知，在film-trust數(shù)據(jù)集中，當(dāng)Top-K設(shè)置在0～50時(shí)，性能顯著提高，設(shè)置為150時(shí)，本文算法的兩個(gè)指標(biāo)均達(dá)到了最優(yōu)的推薦性能，Top-K超過150時(shí)，因?yàn)檫^擬合的產(chǎn)生，兩個(gè)指標(biāo)極為緩慢地上升。在Ciao 數(shù)據(jù)集中，當(dāng)Top-K 設(shè)置為50 時(shí)，RMSE 的值最小，超過50 時(shí)，該指標(biāo)上升比較明顯，該數(shù)據(jù)集MAE 指標(biāo)是在Top-K 設(shè)置為20 時(shí)最小，超過20 時(shí)，該指標(biāo)顯著上升，甚至超過70時(shí)，該指標(biāo)已經(jīng)超過Top-K為0時(shí)的值。在Douban 數(shù)據(jù)集中，當(dāng)Top-K 設(shè)置為5 時(shí)，MAE 的值最小，當(dāng)Top-K 設(shè)置為10 時(shí)，RMSE 的值最小。該實(shí)驗(yàn)結(jié)果表明，Top-K對(duì)實(shí)驗(yàn)性能有明顯的影響。

圖5 Top-K對(duì)評(píng)價(jià)指標(biāo)的影響Fig.5 Impact of Top-K on evaluation indexes

4 結(jié)束語

本文融合圖神經(jīng)網(wǎng)絡(luò)提出了一個(gè)傳遞物品相似性的社會(huì)化推薦模型，該模型分別通過物品隱性相似性網(wǎng)絡(luò)和社交網(wǎng)絡(luò)對(duì)物品和用戶的特征進(jìn)行約束，既能間接傳播用戶的偏好，又能間接傳遞物品的相似性。在3個(gè)數(shù)據(jù)集上與當(dāng)前經(jīng)典算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證明：該模型提高了推薦性能，在一定程度上為冷啟動(dòng)用戶提供很好的物品推薦。下一步的工作，將重點(diǎn)利用神經(jīng)網(wǎng)絡(luò)來解決物品排序的問題。