基于行為延遲共享網(wǎng)絡(luò)的個(gè)性化商品推薦方法

張紅霞 董燕輝 肖軍弼 楊勇進(jìn)

(中國(guó)石油大學(xué)(華東)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 青島 266580)

1 引言

隨著電子商務(wù)平臺(tái)的快速發(fā)展，商品數(shù)量呈現(xiàn)海量式增長(zhǎng)，使得用戶(hù)很難從海量商品中找到符合自身需求的商品，從而導(dǎo)致平臺(tái)商品銷(xiāo)量增加緩慢。推薦系統(tǒng)為用戶(hù)提供了個(gè)性化的商品推薦，能夠主動(dòng)推送感興趣的商品，有效提升電商平臺(tái)的轉(zhuǎn)化收益[1,2]。

近年來(lái)基于神經(jīng)網(wǎng)絡(luò)建立推薦模型的研究逐漸成為研究熱點(diǎn)[3–5]。Cheng等人[6]將線性模型和深度模型結(jié)合提出了Wide Deep模型，解決了低階特征和高階特征的組合問(wèn)題。文獻(xiàn)[7]利用深度神經(jīng)網(wǎng)絡(luò)分別對(duì)用戶(hù)歷史行為的嵌入表示進(jìn)行深度提取構(gòu)建了召回和排序模型，解決了大規(guī)模推薦的實(shí)時(shí)性問(wèn)題[8]。Qu等人[9]針對(duì)全連接層組合特征的不充分性提出了基于乘積的推薦模型，將輸入特征通過(guò)乘積層得到更高階的組合表示，進(jìn)一步提升了點(diǎn)擊率預(yù)估表現(xiàn)。但是以上通過(guò)組合特征的方法很少考慮到用戶(hù)行為序列之間的聯(lián)系[10,11]，并且模型的用戶(hù)表示和商品表示很難確保映射到統(tǒng)一空間[12]，進(jìn)而造成用戶(hù)興趣和推薦商品不匹配問(wèn)題[13]，導(dǎo)致推薦商品點(diǎn)擊率較低。

Zhou等人[14]將注意力機(jī)制引入時(shí)序推薦模型，提出的動(dòng)態(tài)興趣模型解決了用戶(hù)興趣變化問(wèn)題。在此基礎(chǔ)上，Zhou等人[15]通過(guò)將門(mén)控循環(huán)單元(Gated Recurrent Unit,GRU)的更新門(mén)與注意力相結(jié)合，提出了興趣漂移模型(DREN)，解決了用戶(hù)多興趣匹配問(wèn)題。雖然上述模型利用GRU實(shí)現(xiàn)了用戶(hù)歷史行為序列建模，但沒(méi)有考慮用戶(hù)活躍度[16,17]對(duì)用戶(hù)行為序列表示的影響。

在電商平臺(tái)中，不同活躍度的用戶(hù)可能對(duì)應(yīng)著不同的購(gòu)買(mǎi)模式，直接影響商品推薦的精準(zhǔn)度和多樣性，如何將用戶(hù)活躍度引入時(shí)序模型提高推薦性能仍具有極大的挑戰(zhàn)性[18,19]；另一方面，在大規(guī)模推薦場(chǎng)景中，需要通過(guò)預(yù)先計(jì)算用戶(hù)向量和商品向量相似度得到候選商品來(lái)提高推薦速度[20,21]，這就要求用戶(hù)表示和商品表示必須映射在統(tǒng)一空間，因此如何進(jìn)一步提高用戶(hù)表示和商品表示映射到統(tǒng)一空間至關(guān)重要。

針對(duì)以上問(wèn)題，本文提出基于行為延遲共享網(wǎng)絡(luò)(Behavior Delay Shared Network,BDSN)模型的個(gè)性化商品推薦方法，該模型在分析不同用戶(hù)購(gòu)買(mǎi)模式的基礎(chǔ)上[22]，提出行為延遲門(mén)控循環(huán)神經(jīng)單元(Behavior Delayed Gated Recurrent Unit,BDGRU)，將用戶(hù)行為活躍度作為影響因素引入用戶(hù)瀏覽序列狀態(tài)表示計(jì)算過(guò)程。同時(shí)將用戶(hù)表示和商品表示融合到統(tǒng)一空間，以提高模型的推薦性能和可解釋性[23]。具體地，首先在GRU的狀態(tài)值更新過(guò)程中引入用戶(hù)活躍度因子，用以明確應(yīng)該保留多少先前狀態(tài)和當(dāng)前狀態(tài)，采用BDGRU對(duì)用戶(hù)歷史行為建立時(shí)序模型，用以提取用戶(hù)歷史行為的時(shí)序特征；然后將用戶(hù)表示和商品表示通過(guò)共享網(wǎng)絡(luò)進(jìn)一步提取高階的用戶(hù)和商品表示，通過(guò)共享網(wǎng)絡(luò)可以保證用戶(hù)表示和商品表示能夠收斂到統(tǒng)一空間，增加模型的可解釋性；最后設(shè)計(jì)BDSN模型實(shí)現(xiàn)個(gè)性化商品推薦，并在公共數(shù)據(jù)集上對(duì)模型的準(zhǔn)確性和可解釋性進(jìn)行驗(yàn)證，結(jié)果表明該模型在驗(yàn)證集上的曲線下面積(Area Under Curve,AUC)指標(biāo)和損失函數(shù)均處于最優(yōu)，在測(cè)試集上的AUC指標(biāo)相較基本模型提高37%，能夠有效提升商品推薦的準(zhǔn)確性。

本文的主要貢獻(xiàn)如下：

(1)提出基于行為延遲共享網(wǎng)絡(luò)模型的個(gè)性化商品推薦方法，結(jié)合用戶(hù)行為活躍度和統(tǒng)一向量表示得到高階特征表示，有效提升了個(gè)性化商品推薦的準(zhǔn)確性；

(2)提出了行為延遲門(mén)控循環(huán)神經(jīng)單元，在GRU的狀態(tài)值更新過(guò)程中引入了用戶(hù)活躍度因子，解決了用戶(hù)活躍度影響購(gòu)買(mǎi)行為的問(wèn)題；

(3)本文所提方法在真實(shí)數(shù)據(jù)集上的表現(xiàn)相對(duì)于其它方法在推薦性能上有顯著提升，驗(yàn)證了提出的方法在推薦問(wèn)題上的可用性和準(zhǔn)確性。

2 基于行為延遲和共享參數(shù)的特征提取方法

2.1 問(wèn)題描述

在電商推薦領(lǐng)域，用戶(hù)活躍度對(duì)購(gòu)買(mǎi)商品的意向具有重要的影響，例如，某用戶(hù)在某一時(shí)間段內(nèi)瀏覽商品較頻繁即活躍度較高，具有較強(qiáng)的購(gòu)買(mǎi)行為，推薦的商品應(yīng)偏向當(dāng)前商品的相似商品；反之，若用戶(hù)活躍度較低，則表示用戶(hù)還沒(méi)有明確的購(gòu)買(mǎi)行為，應(yīng)采用多樣化的推薦結(jié)果引導(dǎo)用戶(hù)選擇商品。本文將用戶(hù)活躍度對(duì)用戶(hù)的影響稱(chēng)為行為延遲問(wèn)題。

給定用戶(hù)集合U={u1,u2,...,um}和商品集合I={i1,i2,...,in}，B={b1,b2,...,bk}是所有用戶(hù)的行為記錄，其中b={u,i,t}表 示某用戶(hù)u在時(shí)刻t瀏覽某商品i。因此，用戶(hù)個(gè)性化商品推薦是在給定候選商品i和 用戶(hù)u的 歷史行為記錄的條件下，依據(jù)用戶(hù)瀏覽商品的時(shí)序特征，計(jì)算在未來(lái)下一時(shí)刻t+1下 用戶(hù)瀏覽商品i的概率，然后將結(jié)果中瀏覽概率最大的商品推薦給用戶(hù)。

2.2 特征提取及表示

在電商個(gè)性化推薦領(lǐng)域，所使用的數(shù)據(jù)包括用戶(hù)特征文件、商品特征文件、所有用戶(hù)點(diǎn)擊數(shù)據(jù)等。將這3類(lèi)文件合并后按照點(diǎn)擊時(shí)間升序排序并按照用戶(hù)分組后可以得到每個(gè)用戶(hù)的歷史行為數(shù)據(jù)，其中特征值以分組形式表示。除了某些具有實(shí)際意義的特征，通常神經(jīng)網(wǎng)絡(luò)不能直接輸入這些特征值，需要將這些數(shù)據(jù)編碼轉(zhuǎn)化為特征向量，獲取每個(gè)組的嵌入表示。嵌入表示可以將無(wú)實(shí)際意義的標(biāo)識(shí)值表示為低維稠密向量，對(duì)于第i個(gè) 特征組fi，令Wi=∈ED×Ki代 表第i個(gè)嵌入詞典，其中D和Ki分別表示特征組個(gè)數(shù)和第i個(gè)特征組的嵌入向量長(zhǎng)度，可通過(guò)以下的表查找機(jī)制獲取特征值的嵌入表示：

(1)如果特征值為單一標(biāo)識(shí)ID，即fi=j，則這個(gè)特征值的嵌入表示為一個(gè)單獨(dú)的嵌入向量ei=。

(2)如果特征值為一系列標(biāo)識(shí)I D，即fi={j1,...,jk}，則這個(gè)特征值的嵌入表示為一個(gè)嵌入向量列表：

2.3 行為延遲門(mén)控循環(huán)單元結(jié)構(gòu)

用戶(hù)行為的頻繁程度(即用戶(hù)活躍度)在一定程度上決定了用戶(hù)的當(dāng)前預(yù)估行為，傳統(tǒng)GRU沒(méi)有考慮用戶(hù)的活躍度對(duì)于整個(gè)用戶(hù)歷史行為狀態(tài)的影響，BDGRU將用戶(hù)活躍度引入隱狀態(tài)的更新階段，明確指明應(yīng)該保留多少先前序列和當(dāng)前時(shí)刻的信息，BDGRU結(jié)構(gòu)如圖1所示，單元更新門(mén)計(jì)算公式為

圖1 行為延遲門(mén)控循環(huán)單元結(jié)構(gòu)圖

其中，ht-1，分別為傳統(tǒng)GRU中t-1時(shí)刻的隱藏狀態(tài)值，t時(shí)刻的隱藏狀態(tài)值，dtt表 示t時(shí)刻的活躍度因子。與文獻(xiàn)[17]計(jì)算用戶(hù)活躍度的方法不同，本文的用戶(hù)活躍度為向量形式，計(jì)算公式為

其中，ΔT∈LT為用戶(hù)t時(shí)刻行為與t-1時(shí)刻行為的時(shí)間間隔，LT為用戶(hù)歷史行為長(zhǎng)度。從式(4)可以發(fā)現(xiàn)，頻繁的瀏覽行為將導(dǎo)致保留更多的t時(shí)刻狀態(tài)，進(jìn)而推薦相似商品；而瀏覽行為不頻繁將導(dǎo)致保留更多的t時(shí)刻之前的狀態(tài)，進(jìn)而推薦更加多樣化的商品。

2.4 共享參數(shù)向量表示層

為了增加用戶(hù)表示和商品表示之間的內(nèi)在關(guān)聯(lián)，本文提出共享表示層使得最終的用戶(hù)表示和商品表示能夠收斂到統(tǒng)一空間，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，在多層感知機(jī)(MultiLayer Perceptron,MLP)之前設(shè)計(jì)一個(gè)共享網(wǎng)絡(luò)層得到用戶(hù)和商品的表示。首先將用戶(hù)和商品的拼接特征通過(guò)單層網(wǎng)絡(luò)映射為同一大小的用戶(hù)和商品向量vp,vs∈nc，具體計(jì)算公式為：

圖2 共享參數(shù)向量表示網(wǎng)絡(luò)結(jié)構(gòu)

其中，ip,is分別表示用戶(hù)側(cè)的BDGRU的最終狀態(tài)輸出和目標(biāo)商品側(cè)的商品嵌入表示，Wp∈Rnc×np,Ws∈Rnc×ns分別表示用戶(hù)側(cè)和商品側(cè)的網(wǎng)絡(luò)權(quán)重矩陣，bp,bs∈nc分別表示用戶(hù)側(cè)和商品側(cè)的網(wǎng)絡(luò)偏置矩陣，nc,np,ns分別表示網(wǎng)絡(luò)隱層單元個(gè)數(shù)、用戶(hù)側(cè)網(wǎng)絡(luò)輸入特征大小、商品側(cè)網(wǎng)絡(luò)輸入特征大小。然后將用戶(hù)和商品向量通過(guò)共享網(wǎng)絡(luò)層得到最終的用戶(hù)和商品表示，公式如式(7)，式(8)所示：

其中，Wc∈RnH×nc,bc∈nH分別表示共享網(wǎng)絡(luò)層的權(quán)重和偏置矩陣，nH為共享網(wǎng)絡(luò)層的隱層單元數(shù)。

3 基于行為延遲和共享網(wǎng)絡(luò)的商品推薦方法

基于行為延遲和共享網(wǎng)絡(luò)的特征提取方法，本文提出了行為延遲共享網(wǎng)絡(luò)結(jié)構(gòu)模型BDSN。如圖3所示，該模型首先通過(guò)嵌入表示處理用戶(hù)和候選商品的基礎(chǔ)特征，得到嵌入表示后通過(guò)拼接操作得到特征表示，包括用戶(hù)側(cè)特征和商品側(cè)特征，其中用戶(hù)側(cè)特征使用BDGRU提取時(shí)序特征，然后將用戶(hù)特征和商品特征通過(guò)共享參數(shù)網(wǎng)絡(luò)得到更高階的統(tǒng)一表示。最終通過(guò)計(jì)算用戶(hù)對(duì)商品的點(diǎn)擊率實(shí)現(xiàn)商品推薦，預(yù)估點(diǎn)擊率計(jì)算公式為

圖3 BDSN模型結(jié)構(gòu)

在深度點(diǎn)擊率預(yù)估模型中廣泛采用負(fù)對(duì)數(shù)似然函數(shù)作為損失函數(shù)，利用目標(biāo)商品作為標(biāo)簽監(jiān)督模型訓(xùn)練，損失函數(shù)計(jì)算公式為

其中，x∈D表 示模型的原始輸入特征，D為大小為N的訓(xùn)練集，y∈{0,1}表示用戶(hù)是否點(diǎn)擊目標(biāo)商品，為網(wǎng)絡(luò)模型的輸出，表示用戶(hù)點(diǎn)擊目標(biāo)商品的概率。

利用BDSN模型構(gòu)建商品推薦流程，如圖4所示，候選商品集包含了所有有效商品，首先從候選商品集和用戶(hù)行為日志中構(gòu)造輸入數(shù)據(jù)，然后通過(guò)BDSN模型計(jì)算出點(diǎn)擊率較高的商品生成推薦列表，用戶(hù)對(duì)感興趣的推薦商品進(jìn)行點(diǎn)擊、瀏覽、購(gòu)買(mǎi)。

圖4 商品推薦流程圖

4 實(shí)驗(yàn)及分析

為了驗(yàn)證所提方法的有效性，本文在公共數(shù)據(jù)集上比較了BDSN模型與其它點(diǎn)擊率預(yù)估模型的表現(xiàn)，以評(píng)估所提模型的推薦性能；除此之外，還分別設(shè)計(jì)了BDGRU和共享網(wǎng)絡(luò)層如何影響用戶(hù)和商品向量表示的實(shí)驗(yàn)，并通過(guò)實(shí)驗(yàn)結(jié)果分析了BDSN有效性的原因。

4.1 數(shù)據(jù)集介紹

實(shí)驗(yàn)所用數(shù)據(jù)集來(lái)自于天池?cái)?shù)據(jù)集[24]，我們將原始數(shù)據(jù)集分割為訓(xùn)練集、驗(yàn)證集和測(cè)試集3部分，數(shù)據(jù)詳細(xì)統(tǒng)計(jì)見(jiàn)表1，其中每條記錄代表了用戶(hù)的一次點(diǎn)擊行為。為了得到訓(xùn)練集、驗(yàn)證集和測(cè)試集，對(duì)原始數(shù)據(jù)按照時(shí)間戳進(jìn)行排序，構(gòu)造了單個(gè)用戶(hù)的時(shí)間行為序列，通過(guò)隨機(jī)策略選擇其中的1664個(gè)用戶(hù)作為測(cè)試集用戶(hù)；對(duì)于在測(cè)試集中的每一條用戶(hù)行為序列，選擇序列的最后一個(gè)點(diǎn)擊商品作為測(cè)試商品，之前的點(diǎn)擊行為記錄作為歷史行為輸入序列，構(gòu)造測(cè)試數(shù)據(jù)；選擇序列的倒數(shù)第2個(gè)點(diǎn)擊商品作為驗(yàn)證商品，之前的點(diǎn)擊行為記錄作為歷史行為輸入序列，構(gòu)造驗(yàn)證數(shù)據(jù)；類(lèi)似地，將測(cè)試集中剩余的序列數(shù)據(jù)和訓(xùn)練集中數(shù)據(jù)按照點(diǎn)擊商品和歷史行為分割整理為模型訓(xùn)練數(shù)據(jù)。

表1 實(shí)驗(yàn)數(shù)據(jù)集統(tǒng)計(jì)信息

4.2 評(píng)估指標(biāo)

為了驗(yàn)證BDSN的點(diǎn)擊率預(yù)估表現(xiàn)，本文使用曲線下面積AUC和RelaImpr評(píng)估指標(biāo)，其中AUC反映了模型的排序能力，RelaImpr代表了模型的性能提升程度，計(jì)算公式為

其中，D+是所有正樣本數(shù)據(jù)集，D-是所有負(fù)樣本數(shù)據(jù)集，m+和m-分別表示正、負(fù)樣本的數(shù)量，f(·)是樣本x的模型預(yù)測(cè)結(jié)果，x+和x-分別表示數(shù)據(jù)集中的一條正、負(fù)樣本，I(·)是指示函數(shù)，運(yùn)算規(guī)則為：如果滿足條件，函數(shù)結(jié)果返回1，否則返回0。

其中，A UCbm和A UCmm分別表示基準(zhǔn)模型和對(duì)比模型。

4.3 實(shí)驗(yàn)結(jié)果和分析

為了驗(yàn)證延遲共享網(wǎng)絡(luò)的預(yù)測(cè)性能，與PNN[9],DNN[7]和WideDeep[6]網(wǎng)絡(luò)以及注意力興趣網(wǎng)絡(luò)DREN[9]進(jìn)行對(duì)比。為了驗(yàn)證BDSN的BDGRU和共享網(wǎng)絡(luò)是有效的，本文還設(shè)計(jì)了兩個(gè)BDSN的變型網(wǎng)絡(luò)：

(1)GRUSN：將BDSN中的BDGRU替換為傳統(tǒng)GRU，網(wǎng)絡(luò)結(jié)構(gòu)保持不變。

(2)BD-Sep：將BDSN中的共享網(wǎng)絡(luò)分解為兩個(gè)獨(dú)立的網(wǎng)絡(luò)，分別對(duì)應(yīng)于用戶(hù)側(cè)和商品側(cè)的網(wǎng)絡(luò)，其中隱層單元數(shù)和深度保持不變，其它網(wǎng)絡(luò)結(jié)構(gòu)保持不變。

4.3.1 BDSN與其它推薦模型的性能對(duì)比

為了說(shuō)明模型訓(xùn)練時(shí)的表現(xiàn)，收集了模型訓(xùn)練時(shí)每次迭代驗(yàn)證集產(chǎn)生的點(diǎn)擊率計(jì)算結(jié)果以及損失值變化，如圖5所示，折線圖的橫坐標(biāo)代表訓(xùn)練集的迭代次數(shù)，縱軸表示驗(yàn)證集數(shù)據(jù)的AUC結(jié)果，從圖中可以看出，BDSN的最終AUC指標(biāo)可以達(dá)到0.75以上并保持平穩(wěn)，其它模型在10次迭代之前AUC都保持快速增長(zhǎng)，但是之后模型的AUC指標(biāo)卻急速下降。圖6中表示模型訓(xùn)練時(shí)損失值的變化情況，BDSN在10次迭代之后損失值基本為0，低于其它模型的損失值，其中DIEN模型的損失值在迭代20次之后開(kāi)始緩慢下降并仍然保持在較高水平。

圖5 BDSN與其它對(duì)比方法的驗(yàn)證集精確度指標(biāo)比

圖6 BDSN與其它對(duì)比方法的訓(xùn)練損失值變化情況

以上結(jié)果表明，BDSN在訓(xùn)練過(guò)程中可以保持良好的表現(xiàn)，這是因?yàn)樵谟?xùn)練初期，由于BDSN用戶(hù)活躍度因子在訓(xùn)練前期對(duì)于網(wǎng)絡(luò)參數(shù)具有擾動(dòng)現(xiàn)象，所以導(dǎo)致網(wǎng)絡(luò)參數(shù)收斂變慢，但是經(jīng)過(guò)約20次迭代訓(xùn)練后，其它網(wǎng)絡(luò)模型因?yàn)檫^(guò)擬合問(wèn)題導(dǎo)致AUC指標(biāo)開(kāi)始下降，而本文提出的延遲共享網(wǎng)絡(luò)BDSN的AUC指標(biāo)相對(duì)于其它網(wǎng)絡(luò)模型處于最優(yōu)且沒(méi)有出現(xiàn)過(guò)擬合問(wèn)題。

將BDSN與兩種BDSN變型以及其它對(duì)比模型在測(cè)試集上進(jìn)行了實(shí)驗(yàn)，表2 展示了各種模型的實(shí)驗(yàn)對(duì)比結(jié)果，從表中可以看出，BDSN模型的AUC指標(biāo)達(dá)到0.87以上，相對(duì)其它模型處于最優(yōu)，較基準(zhǔn)模型DNN提升了37%，GRUSN和BD-Sep的AUC均在0.80以上，提升效果分別為20%和12%，低于其它模型的提升效果。

表2 不同方法模型在測(cè)試集上的AUC值

以上結(jié)果表明BDSN的測(cè)試結(jié)果優(yōu)于其它模型，這是由于BDGRU中的延遲因子可以更好地?cái)M合用戶(hù)的興趣以及共享網(wǎng)絡(luò)限制了網(wǎng)絡(luò)的過(guò)擬合問(wèn)題；GRUSN的提升幅度為20%，大于BD-Sep的提升幅度，說(shuō)明向量表示的統(tǒng)一性對(duì)模型效果提升更為重要。

4.3.2 BDGRU與傳統(tǒng)GRU的對(duì)比實(shí)驗(yàn)與分析

為了說(shuō)明BDGRU對(duì)于最終狀態(tài)值輸出的影響，在模型訓(xùn)練迭代20次后，分別對(duì)BDGRU和傳統(tǒng)GRU的最終狀態(tài)值進(jìn)行了數(shù)值統(tǒng)計(jì)，圖7展示了BDGRU和傳統(tǒng)GRU的最終狀態(tài)值統(tǒng)計(jì)結(jié)果，可以看出前者的大部分?jǐn)?shù)據(jù)頻次都在500次以下，分布更為廣泛且明顯服從中心極限定理，后者大部分的數(shù)據(jù)頻次都在500次以上，數(shù)據(jù)分布更集中且服從中間少、兩端多的分布特征。

圖7 行為延遲門(mén)控單元對(duì)狀態(tài)值的影響

以上結(jié)果說(shuō)明BDGRU引入延遲因子可以加強(qiáng)用戶(hù)序列表示效果，使用戶(hù)表示更加多樣，從而促進(jìn)BDSN網(wǎng)絡(luò)整體性能的提高，而傳統(tǒng)GRU輸出大部分集中在±1，對(duì)于后續(xù)網(wǎng)絡(luò)計(jì)算只是起到逆轉(zhuǎn)或保持不變的效果，表達(dá)能力不及BDGRU。

4.3.3 共享網(wǎng)絡(luò)層對(duì)嵌入表示的影響

為了證明本文提出的用戶(hù)側(cè)和商品側(cè)共享網(wǎng)絡(luò)參數(shù)共享網(wǎng)絡(luò)層的有效性，我們選擇BDSN和BDSep進(jìn)行對(duì)比實(shí)驗(yàn)，通過(guò)收集用戶(hù)和商品的嵌入表示和共享層輸出來(lái)分析共享網(wǎng)絡(luò)層對(duì)嵌入層和共享層輸出的影響。嵌入層實(shí)驗(yàn)結(jié)果如圖8所示，從圖中可以發(fā)現(xiàn)，基于BDSN得到的用戶(hù)和商品嵌入表示數(shù)值范圍在±0.04之內(nèi)，基本保持一致，而B(niǎo)D-Sep得到的用戶(hù)和商品嵌入表示數(shù)值范圍分別為±0.03和±0.06，一致性表現(xiàn)較差；為了更直觀地表現(xiàn)相似性，將共享層輸出的1×128向量轉(zhuǎn)化為8×16的矩陣并可視化，結(jié)果如圖9所示，其中框內(nèi)標(biāo)識(shí)了用戶(hù)側(cè)和商品側(cè)的相似區(qū)域，可以看出兩者具有較強(qiáng)的相似性。

圖8 共享網(wǎng)絡(luò)對(duì)用戶(hù)和商品嵌入表示的影響

圖9 BDSN用戶(hù)和商品側(cè)的向量可視化

以上實(shí)驗(yàn)結(jié)果說(shuō)明共享網(wǎng)絡(luò)對(duì)于保持用戶(hù)側(cè)和商品側(cè)的一致性表示具有重要作用，共享機(jī)制不僅促進(jìn)用戶(hù)和商品嵌入層保持一致性，而且也會(huì)影響高階輸出，使共享層后的用戶(hù)表示和商品表示保持在統(tǒng)一向量空間內(nèi)，進(jìn)一步提升BDSN的表示能力。

5 結(jié)論

本文針對(duì)用戶(hù)活躍度及用戶(hù)物品表示對(duì)個(gè)性化電商推薦結(jié)果的影響，提出了行為共享延遲網(wǎng)絡(luò)，對(duì)行為頻繁的用戶(hù)更加關(guān)注近期的物品信息，對(duì)行為不頻繁的用戶(hù)更加關(guān)注先前的物品信息；提出的用戶(hù)、物品共享網(wǎng)絡(luò)結(jié)構(gòu)利用共享參數(shù)實(shí)現(xiàn)用戶(hù)側(cè)和物品側(cè)的表示向量收斂到統(tǒng)一空間，本文基于以上兩點(diǎn)構(gòu)建了點(diǎn)擊率預(yù)估網(wǎng)絡(luò)模型，并且在真實(shí)數(shù)據(jù)集上與當(dāng)前先進(jìn)方法進(jìn)行了對(duì)比實(shí)驗(yàn)，并進(jìn)一步分析了用戶(hù)活躍度因子和共享網(wǎng)絡(luò)如何影響網(wǎng)絡(luò)輸出，結(jié)果表明本文提出的網(wǎng)絡(luò)結(jié)構(gòu)可以取得最佳性能指標(biāo)。

雖然本文提出的方法在電商數(shù)據(jù)集上可以取得不錯(cuò)的效果，但是對(duì)于其它類(lèi)型的推薦數(shù)據(jù)的推薦效果還有待進(jìn)一步研究。下一步計(jì)劃在本文研究的基礎(chǔ)上深入研究用戶(hù)和時(shí)間因素的具體關(guān)聯(lián)關(guān)系，以更加高效的方式區(qū)分用戶(hù)類(lèi)別。