跨域圖書(shū)推薦系統(tǒng)模型分析

楊玉枝

[摘? ? ? ? ? ?要]? 為解決推薦系統(tǒng)具有用戶行為數(shù)據(jù)極度稀疏的問(wèn)題，研究對(duì)跨域圖書(shū)推薦系統(tǒng)模型進(jìn)行了研究，通過(guò)在系統(tǒng)用戶數(shù)據(jù)、推薦系統(tǒng)算法、內(nèi)容與算法融合三個(gè)層面，結(jié)合圖書(shū)館圖書(shū)的特點(diǎn)，分別對(duì)跨域圖書(shū)推薦系統(tǒng)模型進(jìn)行分析。結(jié)果表明，跨域推薦系統(tǒng)為圖書(shū)推薦系統(tǒng)提供了豐富的理論支撐。

[關(guān)? ? 鍵? ?詞]? 跨域推薦;圖書(shū)推薦系統(tǒng);模型分析

[中圖分類號(hào)]? TP391.4? ? ? ? ? ? ? ? ? [文獻(xiàn)標(biāo)志碼]? A? ? ? ? ? ? ? ? [文章編號(hào)]? 2096-0603（2021）47-0104-02

推薦系統(tǒng)較好地幫助我們解決了信息量過(guò)載的問(wèn)題，比如在商品推薦系統(tǒng)中，受限于個(gè)人的時(shí)間因素以及投入的精力限制，消費(fèi)者常常僅與海量商品中極少部分的商品產(chǎn)生相互關(guān)聯(lián)，容易引發(fā)推薦系統(tǒng)數(shù)據(jù)稀疏的問(wèn)題。為了更好地克服并盡可能解決數(shù)據(jù)稀疏性問(wèn)題，國(guó)內(nèi)外學(xué)者們大多采用跨域推薦系統(tǒng)的方法，具體是通過(guò)取長(zhǎng)補(bǔ)短的方式實(shí)現(xiàn)知識(shí)遷移，進(jìn)而達(dá)到采用數(shù)據(jù)相對(duì)豐富的信息去彌補(bǔ)數(shù)據(jù)相對(duì)稀疏的目標(biāo)[1-4]。

跨域推薦系統(tǒng)按照用戶層面可以劃分為：已知用戶匹配的跨域推薦、不依賴用戶的推薦、基于概率偏好模型的跨域推薦以及基于多視角神經(jīng)網(wǎng)絡(luò)的推薦。按照推薦系統(tǒng)算法的角度進(jìn)行分類：基于內(nèi)容的推薦，基于協(xié)同過(guò)濾的推薦、內(nèi)容與算法融合的混合推薦以及基于遷移學(xué)習(xí)理論的推薦。該文以圖書(shū)推薦為背景，結(jié)合用戶層面和推薦系統(tǒng)算法的角度分別對(duì)跨域推薦系統(tǒng)進(jìn)行闡述和分析，旨在為跨域圖書(shū)推薦系統(tǒng)模型研究提供指導(dǎo)思想[5]。

一、用戶層面的跨域推薦

（一）已知用戶匹配

通過(guò)導(dǎo)入和整合相同圖書(shū)跨域的評(píng)分?jǐn)?shù)據(jù)，國(guó)外學(xué)者Berkovsky等人提出了非常經(jīng)典的跨域推薦系統(tǒng)模型[6]。Lu[7]等人借用AdaBoosting弱學(xué)習(xí)器理論框架，用基于經(jīng)驗(yàn)誤差的信息篩查方式，有效地去除跨域推薦系統(tǒng)模式不一致的情況。Elkahky[2]等人提出了一種基于深度學(xué)習(xí)理論的內(nèi)容跨域推薦系統(tǒng)MV-DNN，通過(guò)跨域的豐富內(nèi)容數(shù)據(jù)共同映射到同一隱語(yǔ)義分布空間中。研究者通過(guò)整合圖書(shū)之間的匹配信息，尋求在匹配信息之間的特征表征，更大限度地提高已知用戶匹配的推薦系統(tǒng)的準(zhǔn)確性。

（二）不依賴用戶匹配

針對(duì)同一隸屬平臺(tái)，充分利用數(shù)據(jù)賬號(hào)匹配信息方便的特性。著名學(xué)者Li[8]等人提出了以codebook為基礎(chǔ)的跨域推薦系統(tǒng)模型CBT，該模型無(wú)需知道匹配學(xué)生跨域間的賬號(hào)信息，僅僅通過(guò)學(xué)生或者圖書(shū)的重疊部分信息可以作為推薦的重要依據(jù)。Chen[4]等人以矩陣分解理論為依據(jù)，提出張量分解思路，較好地解決跨域推薦的問(wèn)題，目的是更好對(duì)隱因子進(jìn)行分解，降低煩瑣的二元關(guān)系轉(zhuǎn)換表。通過(guò)不依賴用戶進(jìn)行學(xué)生和圖書(shū)之間的匹配，較好地實(shí)現(xiàn)不依賴用戶信息匹配的跨域推薦。

（三）基于概率偏好

基于隱語(yǔ)義模型的協(xié)同過(guò)濾算法目前越來(lái)越廣泛，以PMF[9]模型為例，將學(xué)生和圖書(shū)進(jìn)行歸納，同步映射到不同層的隱聚類上，僅借助學(xué)生和圖書(shū)的ID信息，另外憑借例如學(xué)生人口統(tǒng)計(jì)學(xué)特征和物品類別屬性等信息進(jìn)行輔助，最終通過(guò)概率偏好模型PPF，有效地解決隱語(yǔ)義模型存在的固有過(guò)擬合等問(wèn)題。為繼續(xù)豐富樣本數(shù)據(jù)，較好地提升模型的精準(zhǔn)率，采用跨域推薦模型，引入CMF[1]學(xué)習(xí)機(jī)制，隱向量權(quán)值共享，將引入的超參數(shù)模型拓展為貝葉斯概率生成模型，借助馬爾科夫-蒙特卡洛算法求解，最終實(shí)現(xiàn)了基于概率理論的跨域推薦系統(tǒng)。

（四）基于多視角神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)可較好地解決特征提取的難題，尤其是在非線性特征的表征方面具有獨(dú)特的優(yōu)勢(shì)，將跨域概率偏好模型與神經(jīng)網(wǎng)絡(luò)相結(jié)合[10]。例如以豆瓣平臺(tái)為例，若在圖書(shū)方面有興趣愛(ài)好的用戶，那么在電影推薦方面較大概率具有相同的興趣愛(ài)好。進(jìn)而可以推斷，采用多領(lǐng)域間的內(nèi)在聯(lián)系可以較好地共享相同的隱語(yǔ)義向量信息，借助多視角用戶信息的共享通道，不斷優(yōu)化多級(jí)訓(xùn)練的方式，大大地緩解了模型表現(xiàn)出的數(shù)據(jù)嚴(yán)重稀疏等問(wèn)題。此外，通過(guò)不斷對(duì)傳統(tǒng)的推薦模型進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，較好地實(shí)現(xiàn)了特征難表征的難題，有效地增加了跨域推薦模型的自由度，同時(shí)也可以根據(jù)不同的實(shí)際場(chǎng)景，增加以及擴(kuò)充更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)模塊。在充分挖掘神經(jīng)網(wǎng)絡(luò)特征表示的優(yōu)越性的同時(shí)，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的跨域圖書(shū)推薦系統(tǒng)。

二、基于推薦系統(tǒng)算法的跨域推薦

（一）基于內(nèi)容

基于內(nèi)容的推薦[11]，可以理解為基于歷史行為數(shù)據(jù)對(duì)圖書(shū)進(jìn)行推薦，可以根據(jù)學(xué)生之前喜歡圖書(shū)的相關(guān)信息，搜索與該圖書(shū)相似度最高的圖書(shū)進(jìn)行推薦。推薦的依據(jù)來(lái)源于學(xué)生借書(shū)時(shí)留下的信息以及學(xué)生和圖書(shū)關(guān)聯(lián)信息，有效地獲取學(xué)生的興趣愛(ài)好。通常情況下，基于內(nèi)容的推薦系統(tǒng)會(huì)出現(xiàn)數(shù)據(jù)丟失，通過(guò)分析數(shù)據(jù)分布的特點(diǎn)，可以得到原始數(shù)據(jù)的稀疏性以及離散性等特點(diǎn)，單純通過(guò)內(nèi)容的推薦，效果不佳。

（二）基于協(xié)同過(guò)濾

基于協(xié)同過(guò)濾的推薦[12]，屬于圖書(shū)推薦與學(xué)生的興趣相似度較高的推薦。協(xié)同過(guò)濾思路可以挖掘?qū)W生和圖書(shū)之間的相似隱層關(guān)系，帶來(lái)了豐富的內(nèi)容信息，基于學(xué)生或者圖書(shū)的協(xié)同過(guò)濾思想進(jìn)行跨域推薦方法，可以進(jìn)一步挖掘跨域推薦中豐富的語(yǔ)義關(guān)聯(lián)信息?；趨f(xié)同過(guò)濾的方案可以較好地彌補(bǔ)單純通過(guò)基于內(nèi)容的推薦系統(tǒng)的缺陷，有效地解決數(shù)據(jù)稀疏性等問(wèn)題，目前協(xié)同過(guò)濾推薦系統(tǒng)算法已經(jīng)作為當(dāng)前學(xué)者研究的熱點(diǎn)。

（三）基于圖理論

基于圖的推薦[13]可以有效利用圖結(jié)構(gòu)信息深度挖掘?qū)W生和圖書(shū)之間的內(nèi)部聯(lián)系，進(jìn)一步采用語(yǔ)義關(guān)系建立學(xué)生和圖書(shū)之間的語(yǔ)義模型，較好地強(qiáng)化了跨域推薦的效果。圖的理論可以較好地引入注意力機(jī)制模式，可以有效地挖掘數(shù)據(jù)與數(shù)據(jù)之間的相關(guān)性，進(jìn)而彌補(bǔ)數(shù)據(jù)丟失的情況，當(dāng)前研究較多的是基于圖理論和協(xié)同過(guò)濾推薦算法的結(jié)合。

（四）遷移學(xué)習(xí)

遷移學(xué)習(xí)與跨域推薦系統(tǒng)的思想比較吻合，在圖書(shū)推薦系統(tǒng)中，不同高校的學(xué)生行為數(shù)據(jù)具有相似性，可以通過(guò)獲取開(kāi)源的數(shù)據(jù)集，建立推薦系統(tǒng)模型后，將訓(xùn)練獲取的模型參數(shù)成功遷移學(xué)習(xí)到研究的對(duì)象模型中，可以達(dá)到模型盡快收斂降低模型過(guò)擬合的風(fēng)險(xiǎn)。

三、基于內(nèi)容與算法融合的跨域推薦

（一）模型架構(gòu)

以高校學(xué)生為研究對(duì)象，學(xué)生對(duì)圖書(shū)的反饋評(píng)價(jià)信息[14]，圖書(shū)本身的屬性信息，具體分為四個(gè)步驟：提取內(nèi)容信息的特征、獲取相鄰屬性間的信息提取、構(gòu)建異質(zhì)圖以及跨域推薦。模型架構(gòu)的選取并非一成不變，可以根據(jù)實(shí)際數(shù)據(jù)的特點(diǎn)，進(jìn)行模型架構(gòu)的刪減以及調(diào)整，在模型架構(gòu)設(shè)計(jì)前可以對(duì)輸入數(shù)據(jù)進(jìn)行簡(jiǎn)要的數(shù)據(jù)分析，對(duì)每個(gè)步驟做必要性評(píng)估。

（二）提取文本信息特征

將反饋評(píng)價(jià)信息與圖書(shū)的文本信息進(jìn)行聯(lián)合，最終獲取模型所需要的特征。通過(guò)詞袋模型的方法，將文本信息進(jìn)行向量化表示，同時(shí)考慮詞袋與詞袋之間的相關(guān)性，引入注意力機(jī)制，采用深度學(xué)習(xí)的方法提取高緯度相關(guān)性特征。該方式與協(xié)同過(guò)濾推薦系統(tǒng)中的圖優(yōu)化比較類似，不同點(diǎn)在于該方案是以文本詞袋理論為前提進(jìn)行數(shù)據(jù)量化。

（三）提取相鄰關(guān)系特征

通過(guò)矩陣評(píng)分的方法將學(xué)生和圖書(shū)整合到相同的矩陣中，構(gòu)建學(xué)生和圖書(shū)的相鄰矩陣，通過(guò)矩陣變換的相關(guān)矩陣論知識(shí)，對(duì)矩陣進(jìn)行降維以及特征提取，最終獲取相鄰關(guān)系特征，相鄰關(guān)系特征的好壞直接影響跨域推薦模型的精度，因此需要盡可能提高該步驟的精確度。

（四）跨域推薦

將文本特征向量和相鄰向量進(jìn)行融合，參考傳統(tǒng)的構(gòu)建異質(zhì)圖的方式，以學(xué)生對(duì)圖書(shū)的評(píng)分指標(biāo)為基礎(chǔ)，構(gòu)建學(xué)生和圖書(shū)的節(jié)點(diǎn)信息，以及學(xué)生給圖書(shū)打分的異質(zhì)圖的邊界信息。最后借助圖理論的相關(guān)知識(shí)，計(jì)算節(jié)點(diǎn)與邊界的評(píng)分函數(shù)，進(jìn)而實(shí)現(xiàn)對(duì)任意學(xué)生進(jìn)行Top-N的跨域推薦，同步也會(huì)輸出每個(gè)排序的概率值。概率越高的推薦對(duì)象，表明推薦優(yōu)先級(jí)最高，反之推薦優(yōu)先級(jí)最低。

四、結(jié)語(yǔ)

文章對(duì)跨域圖書(shū)推薦系統(tǒng)模型進(jìn)行了研究，通過(guò)在系統(tǒng)用戶數(shù)據(jù)、推薦系統(tǒng)算法、內(nèi)容與算法融合三個(gè)層面，再結(jié)合圖書(shū)館圖書(shū)的特點(diǎn)，對(duì)跨域圖書(shū)推薦系統(tǒng)模型進(jìn)行分析，較好地解決了推薦系統(tǒng)具有用戶行為數(shù)據(jù)極度稀疏的問(wèn)題。

參考文獻(xiàn)：

[1]SINGH A P，GORDON G J.通過(guò)集體矩陣分解的關(guān)系學(xué)習(xí)[A].第十四屆ACM SIGKDD知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘國(guó)際會(huì)議論文集[C]，2008：650-58.

[2]ELKAHKY A.M，SONG Y，HE X.推薦系統(tǒng)中跨域用戶建模的多視圖深度學(xué)習(xí)方法[A].第24屆國(guó)際萬(wàn)維網(wǎng)大會(huì)論文集[C]，2015：278-288.

[3]JIANG M，CUIP，YUAN N J，et al.少即是多：通過(guò)重疊人群來(lái)溝通跨平臺(tái)行為[C].AAAI. 2016：13-19.

[4]CHEN W，HSU W，LEE M L.來(lái)自多個(gè)領(lǐng)域的建議[A].第19屆ACM SIGKDD知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘國(guó)際會(huì)議論文集[C]，2013：892-900.

[5]練建勛.基于多樣化內(nèi)容數(shù)據(jù)的個(gè)性化推薦系統(tǒng)[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2018.

[6]BERKOVSKY S，KUFLIK T，RICCI F.協(xié)同過(guò)濾中的跨域中介[A].用戶建模國(guó)際會(huì)議[C]， 2007：335-359.

[7]LU Z，ZHONG E，ZHAO L，et al.跨域推薦的選擇性遷移學(xué)習(xí)[A].2013 SIAM數(shù)據(jù)挖掘國(guó)際會(huì)議論文集[C]，2013：641-649.

[8]LI B，YANG Q，XUE X.電影和書(shū)籍可以合作嗎？面向稀疏度降低的跨域協(xié)同過(guò)濾[C].IJCAI，2009（9）：2052-2057.

[9]ZHANG F，YUAN J，ZHENG K，et al.利用餐廳的就餐偏好進(jìn)行餐廳推薦[A].第25屆國(guó)際萬(wàn)維網(wǎng)大會(huì)論文集[C]，2016：725-735.

[10]LIAN J，ZHANG F，XIE X，et al.跨領(lǐng)域推薦系統(tǒng)的多面模型[A].國(guó)際知識(shí)科學(xué)、工程和管理會(huì)議[C]，2017：322-333.

[11]J. Son，S.B.J.E.S.w.A. Kim. 基于內(nèi)容的多屬性網(wǎng)絡(luò)推薦系統(tǒng)過(guò)濾[J].專家系統(tǒng)與應(yīng)用，2017（89）：404-412.

[12]Y.Koren， R. Bell，C.J.C. Volinsky.推薦系統(tǒng)的矩陣分解技術(shù)[J].IEEE Computer，2009，42（8）：30-37.

[13]Y.Dong，N.V.Chawla，A. Swami.異構(gòu)網(wǎng)絡(luò)的可擴(kuò)展表示學(xué)習(xí)[A].第23屆ACM SIGKDD知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘國(guó)際會(huì)議論文集[C]，2017：135-144.

[14]李金.基于內(nèi)容和圖結(jié)構(gòu)信息融合的跨域推薦問(wèn)題研究[D].濟(jì)南：山東大學(xué)，2020.

編輯 司 楠