基于多特征融合的異質信息搜索推薦算法研究

楊柳青，王 沖

1.玉林師范學院 教育技術中心，廣西 玉林 537000

2.桂林電子科技大學 商學院，廣西 桂林 541004

網絡中的海量信息存在異質以及復雜特征，異質信息提升了信息推薦難度[1-2]，高效的信息推薦算法可有效解決用戶的信息處理問題。在實際的應用過程中，存在無法良好交互導致推薦準確性低且容易出現冷啟動情況[3]。網絡中豐富的商品類別信息所包含的異質信息可提升信息推薦效果，對存在的問題能夠有效解決。以往的信息推薦算法設置用戶偏好信息為用戶評分矩陣，用戶打分標準存在較高差異[4]，主觀和客觀性均存在原因，所獲取推薦結果無法滿足網絡眾多用戶需求。

采用異質信息網絡實現數據處理、分類以及推薦等應用已受到研究學者的重視[5]，已有眾多研究學者將創新的數據挖掘技術應用于異質信息網絡處理中，提升信息搜索推薦性能。趙傳等人[6]利用非對稱方法獲取異質信息網絡推薦結果，在均方差相似度公式的基礎上，引入非對稱系數刻畫相似度的非對稱性，再根據元路徑的特征賦予權值，對不同元路徑的相似性進行加權；最后通過在矩陣分解模型中融合相似信息和評分信息，實現異質信息網絡的評分預測推薦。Lyu等人[7]考慮的加權多信息約束矩陣分解，提出基于地理標記照片的個性化出行位置推薦算法，利用照片（視覺信息）、用戶訪問序列（順序信息）和文本標記（文本信息）全面分析用戶和旅行地點。視覺、順序和文本相似性以及基于地理距離的共同訪問概率被賦予不同的權重，以約束原始用戶旅行位置矩陣進行因子分解。郁懷波等人[8]提出基于多特征融合與樹形結構代價聚合的立體匹配算法，通過對圖像進行色彩、梯度和Census 轉換的融合，得到了相應的匹配代價聚合，再利用基于初始圖象的最小生成樹進行了相應的調整，并利用多邊形掃描法對其進行了改進。陳嘉穎等人[9]提出一種融合語義分析特征提取的推薦算法，基于無結構性評價的文本信息，在知識圖譜中運用本體辨識與鏈接技術從知識庫中抽取出與工程特性有關的實體，構造出子知識庫；再運用知識圖譜表達法來進行表示學習，以實現低維表達。雖然上述研究取得一定進展，但僅可應用于少量信息推薦，對于網絡中海量信息推薦性能較差。為此提出基于多特征融合的異質信息搜索推薦算法，選取多視圖機模型，融合異質信息中所包含的多特征，實驗結果表明，所提出的算法具有很高的推薦效率，可以在實際的推薦算法中得到應用。本研究算法的創新性是提出多特征融合，當視圖數據的異質信息非相同空間內時，選取多視圖機模型實現多特征融合，該模型可有效捕捉高階交互，異質信息搜索推薦算法具有較強的推薦性能，可應用解決實際的信息過載問題。

1 多特征融合的異質信息搜索推薦算法

1.1 多視圖機的異質信息特征融合實現

網絡中的實體是表示特征的語言單位，可有效體現用戶的個人偏好以及使用態度，實體是分析用戶偏好的重要方式。利用知識圖譜技術提取異質信息特征，該異質信息特征是具有高階相似度的節點。選取命名實體識別技術提取網絡中信息特征，該技術利用中心為命名實體的結構化語義表示非結構化文本[10]，將知識庫內相應實體與識別的實體利用實體鏈接技術鏈接，與知識圖譜相結合提取網絡中實體與相關實體間鏈接信息。

當多視圖數據的異質信息非相同空間內時，采用傳統方法無法實現特征良好融合。選取多視圖機模型實現多特征融合，該模型可有效捕捉高階交互，利用多視圖機整合不同表示向量，多視圖機可獲取m個視圖的數據表示向量間多階交互，實現多特征良好融合。

式中，p與m分別表示不同視圖數據的表示向量以及視圖數量，wiv,…,im表示多視圖機模型服務組合數據量。多視圖機將全部輸入向量多階交互，令所獲取交互信息實現推薦作用[12]。通過該方法可獲取多視圖機在不同向量中內容的交互情況，實現各視圖不同向量特征融合，為異質信息搜索推薦作準備。

1.2 異質信息搜索推薦算法

在各視圖不同向量特征融合實現后，需要針對協同注意力機制的局部信息推薦、多標簽分類的全局信息推薦以及異質信息搜索推薦進行深入研究。

1.2.1 協同注意力機制的局部信息推薦

采用協作注意機制進行異質信息局部學習，收集異質信息中目標商品b與商品c的直接鄰居構建鄰域，利用矩陣分解模型排序信息中直接相連的鄰居[13]，設置用戶的前K1個以及商品的前K2個節點為鄰居。

2 算法測試

異質信息網絡可體現眾多的組成對象以及相應關系，可精確體現眾多組成對象間相應關系。為驗證所研究多特征融合的異質信息搜索推薦算法對異質信息搜索推薦有效性，選取常應用于推薦任務中的異質信息數據集作為測試對象，數據集中共包含用戶數量5 487個。數據集中異質信息為電影推薦系統中關聯數據，其中包含導演、演員、用戶、電影以及電影類型5種異質信息，不同類型的異質信息之間存在較高關聯。選取廣泛應用于推薦算法中的本文算法電影推薦結果、用戶guan123 電影推薦結果、復雜度對比結果以及歸一化折扣累計增益對比結果作為影響算法性能的因素，可體現推薦用戶感興趣信息的能力，并且可體現用戶所喜歡項目位于最終獲取的推薦信息推薦列表中位置。

綜合前面的描述，基于多特征融合的異質信息搜索推薦算法研究實現過程如圖1所示。

圖1 異質信息搜索推薦算法實現流程圖Fig.1 Implementation flow chart of heterogeneous information search recommendation algorithm

輸入：異質信息數據集合、待推薦數據集合。

輸出：異質信息推薦數據結果。

將本文基于多特征融合的異質信息搜索推薦算法應用于電影推薦系統中，采用本文算法獲取其中10 名用戶電影推薦結果如表1所示。

由表1實驗結果可以看出，采用本文方法可依據用戶偏好為用戶推薦適合用戶的不同類型的電影，依據用戶以往觀看記錄選取用戶喜歡的電影類型，從該類型中選取適合用戶的電影。

為驗證本文算法對于異質信息的搜索推薦性能的可行性，統計采用本文方法同時結合圖1異質信息搜索推薦算法實現流程，為用戶guan123 推薦電影，結果如表2所示。

采用本文算法可知，用戶guan123偏好懸疑類電影，該用戶對懸疑類電影興趣深厚，本文算法為guan123所推薦電影多為懸疑類電影。本文方法從用戶以往觀看歷史中發現用戶對動畫類型同樣存在偏好，因此為該用戶推薦動畫類電影。通過表1 和表2 可知，采用本文算法可有效依據用戶偏好為用戶推薦適合用戶的電影，具有較高的異質信息搜索推薦有效性。

表1 本文算法電影推薦結果Table 1 Movie recommendation results of proposed algorithm

表2 用戶guan123電影推薦結果Table 2 Movie recommendation results of user guan123

復雜度數值越低，表示算法具有越強的興趣點生成能力，推薦性能越高。復雜度計算公式如下：

式中，GH表示用戶喜歡的項目興趣點數量，| |Ru表示用戶喜歡的全部項目興趣點數量。采用文獻[6]、文獻[7]、文獻[8]算法以及文獻[9]算法搜索推薦異質信息的復雜度，對比結果如表3所示。

由表3對比結果可以看出，不同算法搜索推薦異質信息的復雜度均隨著迭代次數的提升而逐漸降低。采用本文算法搜索推薦異質信息，迭代次數達到300次左右時，復雜度趨于穩定。采用本文算法搜索推薦異質信息的復雜度明顯低于另4種算法，說明本文算法可獲取較高的搜索推薦效果。

表3 復雜度對比結果Table 3 Complexity comparison results

選取廣泛應用于推薦算法中歸一化折扣累計增益作為評價指標評價本文算法的推薦性能，推薦歸一化折扣累計增益可體現用戶所喜歡項目位于最終獲取的推薦信息推薦列表中位置，具體公式為：

式中，K表示所獲取全部推薦結果，rk與zk分別表示項目是否為用戶所喜歡項目以及歸一化常數，rk等于1以及等于0分別表示項目為用戶喜歡的項目以及用戶不喜歡的項目。歸一化折扣累計增益數值越大，算法的搜索推薦性能越好。采用上述內容，分別用本文算法、文獻[6]、文獻[7]、文獻[8]算法以及文獻[9]算法計算搜索推薦異質信息的歸一化折扣累計增益，對比結果如圖2所示。

圖2 歸一化折扣累計增益對比結果Fig.2 Comparison results of normalized discount cumulative gain

由圖2實驗結果可以看出，采用本文算法搜索推薦異質信息的歸一化折扣累計增益明顯高于文獻[6]、文獻[7]、文獻[8]以及文獻[9]算法，采用本文算法搜索推薦異質信息的歸一化折扣累計增益均高于0.35。本文算法不同評價指標結果均優于文獻[6]、文獻[7]、文獻[8]以及文獻[9]，說明本文算法搜索推薦性能較優越，可有效利用全局異質信息以及局部鄰域信息提升搜索推薦性能。本文算法將協同注意力機制與全局信息應用于推薦算法中，提高了推薦算法的有效推薦性能，改善了爆炸式增長的數據量造成信息過載情況。

3 結論

信息搜索推薦算法可依據用戶歷史行為獲取用戶偏好，將用戶所需信息個性化推薦至用戶，已經成為解決網絡“信息超載”的一個重要途徑。本文所研究異質信息搜索推薦算法具有較高的搜索推薦性能，可有效應用于不同領域的搜索推薦中。本文所研究算法結合知識圖譜技術分析文本信息語義，提取異質信息中所包含的眾多特征，采用多視圖機融合所提取多特征，利用融合后的多特征實現異質信息搜索推薦。實驗結果表明，該算法具有很高的推薦效率，可有效改善推薦精度較差的缺陷。

但是隨著用戶數量的增加，該異質信息搜索推薦算法的運算量也呈現增長，搜索推薦效率將下降，因此需要改進，未來的工作可進一步改進多特征融合的應用，提高算法的推薦效率。