基于時(shí)間信息表示學(xué)習(xí)的個(gè)性化推薦方法

任秋臻，陳紅梅，周麗華

(云南大學(xué) 信息學(xué)院，云南 昆明 650500)

0 引 言

個(gè)性化推薦作為緩解信息過載的有效手段，被廣泛運(yùn)用于各大智能平臺(tái)，如電商、圖書推薦、影視劇網(wǎng)站、個(gè)性化圖像檢索等[1-5]。其中，用戶偏好除了顯性特征(評(píng)分)，還存在隱性特征(時(shí)間特性、評(píng)論情緒)，而隱性特征往往能更好地體現(xiàn)用戶偏好。關(guān)注用戶外在行為數(shù)據(jù)(評(píng)分等)和內(nèi)在行為特征(評(píng)論情緒等)可以有效提升個(gè)性化推薦效果，增加推薦項(xiàng)目的精確率、召回率等[6-7]。

傳統(tǒng)推薦算法缺乏對(duì)輔助信息的利用[8-9]，為了提升推薦效果，充分利用多種上下文信息使數(shù)據(jù)價(jià)值最大化是當(dāng)前推薦系統(tǒng)亟待解決的問題之一[10]。李宇琦等[11]研究表明，用戶偏好與時(shí)間相關(guān)，可以通過用戶的歷史購買信息和商品的低維空間向量表示獲得用戶在某一時(shí)間點(diǎn)的偏好。時(shí)間信息對(duì)于打算購買商品的用戶來說，具有很強(qiáng)的即時(shí)意義。如果不考慮時(shí)間因素，可能會(huì)出現(xiàn)在冬天推薦體恤，在夏天推薦棉襖，從而降低了推薦效果。此外，用戶對(duì)于商品的興趣也會(huì)呈現(xiàn)明顯的季節(jié)特性，例如用戶A和用戶B在去年夏季購買了多種類似的商品，且發(fā)表了相似的評(píng)論，在今年夏季用戶A想要購買一套游泳裝備，而該類商品用戶B曾經(jīng)在夏季購買并給過好評(píng)，根據(jù)系統(tǒng)推薦的商品列表，用戶A查看該時(shí)間段的購買評(píng)分、評(píng)論，可能會(huì)選擇用戶B購買過的這套商品。因此，時(shí)間信息在個(gè)性化推薦中是一個(gè)重要的影響因素。

此外，現(xiàn)有基于網(wǎng)絡(luò)表示學(xué)習(xí)的個(gè)性化推薦方法中，有的方法將現(xiàn)實(shí)生活中的事物及其關(guān)系抽象成為同質(zhì)網(wǎng)絡(luò)(如用戶-用戶網(wǎng)或商品-商品網(wǎng))[11]，忽視了事物及其關(guān)系的異質(zhì)性；而有的方法雖然將事物及其關(guān)系建模成為異質(zhì)網(wǎng)絡(luò)(如用戶-商品網(wǎng))[12-13]，但沒有較好地利用時(shí)間信息及隱性特征。因此，該文研究基于時(shí)間信息表示學(xué)習(xí)的個(gè)性化推薦，主要工作包括：

(1)分析用戶評(píng)論數(shù)據(jù)，提取評(píng)論情緒特征，并根據(jù)時(shí)間信息提取評(píng)論時(shí)間特征，基于這兩種隱性偏好特征，提出綜合情緒-貢獻(xiàn)值及其計(jì)算方法。

(2)基于綜合情緒-貢獻(xiàn)值，將用戶的評(píng)論、評(píng)分?jǐn)?shù)據(jù)抽象為用戶-商品-評(píng)論異質(zhì)網(wǎng)絡(luò)，采用網(wǎng)絡(luò)表示學(xué)習(xí)方法獲取用戶節(jié)點(diǎn)的嵌入向量，結(jié)合基于用戶的協(xié)同過濾方法進(jìn)行TOP-N推薦。

在兩個(gè)真實(shí)數(shù)據(jù)集Amazon Electronics Review Data和Amazon Fine Food Reviews上進(jìn)行實(shí)驗(yàn)，評(píng)估所提出的推薦方法。實(shí)驗(yàn)結(jié)果表明，與基準(zhǔn)方法相比，所提方法提升了推薦結(jié)果的精確率、召回率。

1 相關(guān)工作

現(xiàn)有的利用輔助信息(如評(píng)分、文本、時(shí)間等)提高推薦結(jié)果的方法可以分為兩類。

第一類，結(jié)合網(wǎng)絡(luò)表示學(xué)習(xí)方法[14-17]進(jìn)行推薦。李宇琦等基于商品-商品網(wǎng)絡(luò)，提出了PGE模型，并與用戶的動(dòng)態(tài)偏好相結(jié)合，進(jìn)行個(gè)性化商品推薦[11]。詹娜娜等將電商評(píng)分等關(guān)系型數(shù)據(jù)構(gòu)建成異構(gòu)網(wǎng)絡(luò)，設(shè)計(jì)了個(gè)性化異構(gòu)網(wǎng)絡(luò)采樣方法并學(xué)習(xí)節(jié)點(diǎn)向量，將其融入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行優(yōu)化[12]。李可等引入深層語義特征挖掘模型，挖掘評(píng)論的深層語義特征和用戶情感偏好，并結(jié)合SVD模型來提升推薦效果[18]。傅魁等引入LSTM網(wǎng)絡(luò)對(duì)深度Q網(wǎng)絡(luò)進(jìn)行改進(jìn)，融入正負(fù)反饋數(shù)據(jù)集和商品購買的時(shí)序性，提出了基于改進(jìn)的深度Q網(wǎng)絡(luò)結(jié)構(gòu)的商品推薦模型[19]。張金柱等構(gòu)建融合了多種圖書特征信息的圖書異構(gòu)網(wǎng)絡(luò)，并基于網(wǎng)絡(luò)表示學(xué)習(xí)方法從語義相關(guān)角度設(shè)計(jì)了圖書推薦方法，提升了推薦結(jié)果[2]。

第二類，協(xié)同過濾方法結(jié)合網(wǎng)絡(luò)表示學(xué)習(xí)方法[10,20-23]。王旭等提出MetaStruct-CF算法，通過元結(jié)構(gòu)利用異構(gòu)網(wǎng)絡(luò)中的豐富信息來提高推薦性能[24]。梁仕威等基于矩陣分解的協(xié)同過濾算法，結(jié)合表示學(xué)習(xí)方法學(xué)習(xí)帶有語義信息的用戶和文檔的表示向量，以解決新聞推薦的冷啟動(dòng)問題[25]。陳嘉穎等基于文本信息結(jié)合知識(shí)圖譜進(jìn)行語義特征分析，將特征向量整合到協(xié)同過濾推薦中進(jìn)行學(xué)習(xí)，根據(jù)學(xué)習(xí)結(jié)果進(jìn)行推薦[26]。

網(wǎng)絡(luò)結(jié)構(gòu)能直觀展現(xiàn)人、物關(guān)系，并且能夠融入上下文信息等多種特征信息。受結(jié)合網(wǎng)絡(luò)嵌入和協(xié)同過濾的推薦方法[20]、基于用戶的協(xié)同過濾技術(shù)[27]的啟發(fā)，提出基于時(shí)間信息表示學(xué)習(xí)的個(gè)性化推薦方法，即基于用戶與項(xiàng)目之間的顯性偏好(評(píng)分關(guān)系)及隱性偏好(評(píng)論時(shí)間特征、情緒特征)，進(jìn)行異質(zhì)網(wǎng)絡(luò)構(gòu)建和推薦，有效提升推薦結(jié)果的精確率、召回率。

2 基于時(shí)間信息表示學(xué)習(xí)的個(gè)性化推薦

該文所提基于時(shí)間信息表示學(xué)習(xí)的個(gè)性化推薦模型如圖1所示。具體地，首先，進(jìn)行評(píng)論信息特征抽取，采用TextBlob工具提取評(píng)論情緒特征；考慮到商品的售賣具有季節(jié)性特征，因此按時(shí)間信息將用戶評(píng)論進(jìn)行年-季度的劃分提取評(píng)論時(shí)間特征，基于兩個(gè)特征計(jì)算評(píng)論綜合情緒-貢獻(xiàn)值。其次，根據(jù)用戶評(píng)論、用戶評(píng)分和評(píng)論綜合情緒-貢獻(xiàn)值構(gòu)建用戶-商品-評(píng)論網(wǎng)絡(luò)。 然后， 采用Node2vec方法學(xué)習(xí)網(wǎng)絡(luò)的節(jié)點(diǎn)

圖1 基于時(shí)間信息表示學(xué)習(xí)的個(gè)性化推薦模型

嵌入向量。最后，根據(jù)用戶節(jié)點(diǎn)嵌入向量，計(jì)算用戶相似度，并采用基于用戶的協(xié)同過濾進(jìn)行Top-N推薦。

2.1 評(píng)論信息特征抽取

預(yù)處理用戶評(píng)論數(shù)據(jù)，獲取用戶、商品、評(píng)分、評(píng)論信息，并針對(duì)其中的評(píng)論信息，首先，采用TextBlob工具計(jì)算評(píng)論情感極性值；然后，考慮評(píng)論時(shí)間信息，提出評(píng)論季度貢獻(xiàn)值及計(jì)算方法；最后，線性融合評(píng)論情感極性值和評(píng)論季度貢獻(xiàn)值，獲得評(píng)論綜合情緒-貢獻(xiàn)值。

(1)評(píng)論情感極性值。

(2)評(píng)論季度貢獻(xiàn)值。

如前所述，時(shí)間信息是影響商品評(píng)價(jià)的一個(gè)重要因素。商品存在季節(jié)性售賣的特性，而季節(jié)性商品對(duì)應(yīng)的消費(fèi)者在采購并給予評(píng)價(jià)時(shí)也具有季節(jié)性特性，這更符合人們?cè)诂F(xiàn)實(shí)生活中的生活習(xí)性，例如在冬季購買取暖器取暖、在夏季購買風(fēng)扇避暑等。因此，該文提出評(píng)論季度貢獻(xiàn)值，用以度量用戶在某年某季度的評(píng)論在該時(shí)間段對(duì)商品的貢獻(xiàn)程度。評(píng)論季度貢獻(xiàn)值定義如下：

(1)

(3)評(píng)論綜合情緒-貢獻(xiàn)值。

情感極性值代表用戶對(duì)商品的感受，傳達(dá)了用戶是否愿意購買商品的情緒值。評(píng)論季度貢獻(xiàn)值代表用戶評(píng)論對(duì)某年某季度銷售商品的影響，反映了用戶對(duì)該時(shí)間段商品銷售的貢獻(xiàn)程度。因此，該文線性融合二者，提出評(píng)論綜合情緒-貢獻(xiàn)值，具體定義如下：

(2)

2.2 網(wǎng)絡(luò)建模

根據(jù)獲取的用戶、商品、評(píng)分和評(píng)論信息，首先，將用戶、商品、評(píng)論實(shí)體抽象為網(wǎng)絡(luò)中的節(jié)點(diǎn)，即Vu、Vg、Vru,g；然后，將用戶對(duì)商品的評(píng)分關(guān)系抽象為第一類邊Eu,g，即如果用戶u對(duì)商品g有評(píng)分(顯性偏好特征)，則用戶u與商品g兩個(gè)節(jié)點(diǎn)之間有一條邊，同時(shí)將評(píng)分作為這條邊的權(quán)重Wu,g；將用戶對(duì)商品的評(píng)論關(guān)系抽象為第二類邊Eg,ru,g，即如果用戶u對(duì)商品g有評(píng)論r(隱性偏好特征)，則商品g與評(píng)論r之間有一條邊，同時(shí)將評(píng)論綜合情緒-貢獻(xiàn)值作為這條邊的權(quán)重Wg,ru,g。最終構(gòu)建的用戶-商品-評(píng)論網(wǎng)絡(luò)Graph=(V,E,W)是如圖2所示的一個(gè)無向帶權(quán)異質(zhì)網(wǎng)，V={Vu}∪{Vg}∪{Vru,g}，E={Eu,g}∪{Eg,ru,g}，W={Wu,g}∪{Wg,ru,g}。

圖2 用戶-商品-評(píng)論網(wǎng)絡(luò)示例

2.3 用戶特征表示學(xué)習(xí)

基于用戶-商品-評(píng)論網(wǎng)絡(luò)，采用Node2Vec方法學(xué)習(xí)用戶節(jié)點(diǎn)特征向量。Node2Vec方法采用有偏隨機(jī)游走方式采樣頂點(diǎn)的近鄰，從當(dāng)前節(jié)點(diǎn)e到下一節(jié)點(diǎn)x的概率如公式(3)所示[29]。

(3)

式中，πex為從當(dāng)前節(jié)點(diǎn)e到下一節(jié)點(diǎn)x的未歸一化轉(zhuǎn)移概率，Z為歸一化常數(shù)，Neighor(e)為當(dāng)前節(jié)點(diǎn)e的鄰居節(jié)點(diǎn)集。αpq(k,x)為由超參數(shù)p和q控制的有偏轉(zhuǎn)移策略，超參數(shù)p控制訪問剛剛訪問過的頂點(diǎn)的概率，q控制在隨機(jī)游走時(shí)向外還是向內(nèi)游走，若q>1則傾向于向內(nèi)游走即廣度優(yōu)先搜索，若q<1則傾向于向外游走即深度優(yōu)先搜索。wex為節(jié)點(diǎn)e與節(jié)點(diǎn)x間的邊權(quán)，dkx為剛剛訪問過的節(jié)點(diǎn)k與節(jié)點(diǎn)x間的最短路徑。

最后，采用基于用戶的協(xié)同過濾方法向用戶進(jìn)行Top-N商品推薦，其中根據(jù)用戶節(jié)點(diǎn)特征向量及余弦相似性度量，計(jì)算用戶相似性。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置

數(shù)據(jù)集：采用兩個(gè)不同規(guī)模的亞馬遜數(shù)據(jù)集：Amazon Electronics Review Data(AERD)和Amazon Fine Food Reviews(AFFR)。數(shù)據(jù)預(yù)處理過程如下：①提取所需數(shù)據(jù)列；②刪除評(píng)論文本為空和為無意義標(biāo)點(diǎn)符號(hào)的評(píng)論；③將用戶的評(píng)論次數(shù)少于15次，多于300次的數(shù)據(jù)刪除；④按8∶2比例劃分訓(xùn)練集和測試集。最終的數(shù)據(jù)集描述如表1所示。

表1 數(shù)據(jù)集

對(duì)比方法：為評(píng)估所提方法TRLIUCF，選用了兩個(gè)基準(zhǔn)方法：基于用戶的協(xié)同過濾推薦方法UCF[27]和結(jié)合網(wǎng)絡(luò)嵌入和協(xié)同過濾的推薦方法NUCF[20]。NUCF與TRLIUCF的主要區(qū)別是：NUCF基于用戶與項(xiàng)目之間的顯性偏好(評(píng)分關(guān)系)進(jìn)行同質(zhì)網(wǎng)絡(luò)建模和推薦，而TRLIUCF則是基于用戶與項(xiàng)目之間的顯性偏好(評(píng)分關(guān)系)及隱性偏好(評(píng)論的情緒特征和時(shí)間特征)，進(jìn)行異質(zhì)網(wǎng)絡(luò)構(gòu)建和推薦。NUCF方法構(gòu)建的用戶-用戶同質(zhì)網(wǎng)的邊權(quán)設(shè)置為共同評(píng)分的項(xiàng)目中評(píng)分相同的項(xiàng)目數(shù)量。而TRLIUCF方法構(gòu)建的用戶-商品-評(píng)論異質(zhì)網(wǎng)的邊權(quán)設(shè)置如2.2節(jié)中的介紹。

參數(shù)設(shè)置：UCF、NUCF、TRLIUCF方法在計(jì)算預(yù)測評(píng)分時(shí)有參數(shù)“相似用戶數(shù)量K”，在計(jì)算TOP-N推薦列表時(shí)，有參數(shù)“推薦商品數(shù)量N”；NUCF和TRLIUCF方法在進(jìn)行節(jié)點(diǎn)向量學(xué)習(xí)時(shí)，有參數(shù)“隨機(jī)游走步長walk_length”和“隨機(jī)游走超參數(shù)p、q”。默認(rèn)情況下，K=100，N=5，walk_length=10，p=0.5，q=4。

評(píng)價(jià)指標(biāo)：除了常用的公式(4)和(5)所示的精確率(Precision)和召回率(Recall)之外，為了更好地評(píng)估推薦模型，該文還采用了公式(6)所示的F1值。

(4)

(5)

其中，R(u)為用戶u的推薦商品列表，T(u)為用戶u購買的商品列表。

(6)

3.2 實(shí)驗(yàn)結(jié)果分析

參數(shù)對(duì)推薦效果有著重要影響，因此，分析相似用戶數(shù)量K、隨機(jī)游走步長walk_length、隨機(jī)游走超參數(shù)p和q以及推薦商品數(shù)量N對(duì)推薦效果的影響。

3.2.1 相似用戶數(shù)量K對(duì)方法效果的影響

本節(jié)評(píng)估相似用戶數(shù)量K對(duì)基準(zhǔn)方法UCF、NUCF和所提方法TRLIUCF推薦效果的影響，實(shí)驗(yàn)結(jié)果如圖3所示。其中，除相似用戶數(shù)量K以外，其他參數(shù)設(shè)為默認(rèn)值，圖3(a)、(b)、(c)為在AERD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果；圖3(d)、(e)、(f)為在AFFR數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。

從圖3(a)、(b)、(c)可以看出，在AERD數(shù)據(jù)集上，UCF方法的召回率和精確率都隨著K的增加而增加；NUCF方法和TRLIUCF方法的召回率和精確率都隨著K的增加而減少。從F1值來看，K值對(duì)UCF方法的影響較小，對(duì)NUCF和TRLIUCF方法的影響稍大，但TRLIUCF方法能夠有效提升推薦的召回率和精確率，其中，TRLIUCF方法的召回率比UCF、NUCF方法分別提升了125%～220%、8.33%～20%。TRLIUCF方法的精確率比UCF、NUCF方法分別提升了115.79%～223.53%、10.81%～22.22%。

從圖3(d)、(e)、(f)可以看出，在數(shù)據(jù)集AFFR上，UCF、NUCF和TRLIUCF方法的召回率和精確率都隨著K的增加而緩慢減少。從F1值來看，UCF和NUCF方法受K值影響較小相對(duì)穩(wěn)定，TRLIUCF方法受K值影響明顯，但TRLIUCF方法能夠有效提升推薦的召回率和精確率，其中，TRLIUCF方法的召回率比UCF、NUCF方法分別提升了344.59%～369.33%、13.84%～19.73%。 TRLIUCF方法的精確率比UCF、NUCF方法分別提升了345.45%～370.79%、13.95%～19.71%。

3.2.2 隨機(jī)游走步長walk_length對(duì)方法效果的影響

本節(jié)評(píng)估隨機(jī)游走步長walk_length對(duì)基準(zhǔn)方法NUCF和所提方法TRLIUCF推薦效果的影響，實(shí)驗(yàn)結(jié)果如圖4所示。其中，除隨機(jī)游走步長walk_length以外，其他參數(shù)設(shè)為默認(rèn)值，圖4(a)、(b)、(c)為在AERD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果；圖4(d)、(e)、(f)為在AFFR數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。

圖3 相似用戶數(shù)量K對(duì)推薦效果的影響

從圖4(a)、(b)、(c)可以看出，在AERD數(shù)據(jù)集上，NUCF方法的召回率和精確率都隨walk_length的增加而增加，而TRLIUCF方法的召回率和精確率都隨walk_length的增加而減少。從F1值來看，walk_length的增加對(duì)NUCF方法影響較大，而TRLIUCF方法相對(duì)穩(wěn)定。當(dāng)walk_length=10時(shí)，TRLIUCF方法明顯優(yōu)于NUCF方法，但隨著walk_length的增加，TRLIUCF方法的優(yōu)勢(shì)減弱，但依然優(yōu)于UNCF方法。其中，TRLIUCF方法的召回率比NUCF方法提升了2.17%～20%；TRLIUCF方法的精確率比NUCF方法提升了1.89%～22.22%。

圖4 隨機(jī)游走步長walk_length對(duì)推薦效果的影響

從圖4(d)、(e)、(f)可以看出，在AFFR數(shù)據(jù)集上，NUCF和TRLIUCF方法的召回率和精確率都隨walk_length的增加而增加。從F1值來看，walk_length對(duì)NUCF和TRLIUCF方法的影響相對(duì)穩(wěn)定。與NUCF方法相比，TRLIUCF方法有效提升推薦的召回率和精確率。其中，TRLIUCF方法的召回率比NUCF方法提升了19.73%～20%；TRLIUCF方法的精確率比NUCF方法提升了19.71%～20.23%。

3.2.3 隨機(jī)游走超參數(shù)p、q對(duì)方法效果的影響

本節(jié)評(píng)估隨機(jī)游走超參數(shù)p、q對(duì)基準(zhǔn)方法NUCF和所提方法TRLIUCF推薦效果的影響，實(shí)驗(yàn)結(jié)果如圖5所示。其中，除隨機(jī)游走超參數(shù)p、q以外，其他參數(shù)設(shè)為默認(rèn)值，圖5(a)、(b)、(c)為在AERD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果；圖5(d)、(e)、(f)為在AFFR數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。

圖5 隨機(jī)游走超參數(shù)對(duì)推薦效果的影響

從圖5(a)、(b)、(c)可以看出，在AERD數(shù)據(jù)集上，p一定時(shí)，NUCF和TRLIUCF方法的召回率、精確率隨著q的增加而增加；q一定時(shí)，NUCF和TRLIUCF方法的召回率、精確率隨著p的增加而減小。從F1值來看，NUCF與TRLIUCF方法受每對(duì)p、q值的影響較明顯，但TRLIUCF方法明顯優(yōu)于NUCF方法，能有效提升推薦的精確率和召回率。其中，TRLIUCF方法的召回率比NUCF方法提升了20%～38.71%。TRLIUCF方法的精確率比NUCF方法提升了22.22%～40%。

從圖5(d)、(e)、(f)可以看出，在AFFR數(shù)據(jù)集上，超參數(shù)p、q的變化使得NUCF和TRLIUCF方法都呈現(xiàn)波動(dòng)狀態(tài)且變化緩慢。p一定時(shí)，NUCF方法的召回率隨著q的增加先不變后增加然后趨于穩(wěn)定，精確率隨著q的增加先保持不變?nèi)缓笤黾幼詈缶徛郎p少；TRLIUCF方法的召回率隨著q的增加先增加后減小，精確率隨著q的增加先增加后保持穩(wěn)定。q一定時(shí)，NUCF方法的召回率隨著p的增加先增加后減小，精確率隨著p的增加先保持不變?nèi)缓笤黾樱籘RLIUCF方法的召回率、精確率都隨著p的增加先減小然后趨于穩(wěn)定。從F1指標(biāo)來看，超參數(shù)p、q變化對(duì)NUCF和TRLIUCF方法的影響相對(duì)穩(wěn)定。TRLIUCF方法依然明顯優(yōu)于NUCF方法，其中，TRLIUCF方法的召回率比NUCF方法提升了17.63%～19.73%。TRLIUCF方法的精確率比NUCF方法提升了17.90%～19.71%。

3.2.4 推薦商品數(shù)量N對(duì)方法效果的影響

本節(jié)評(píng)估推薦商品數(shù)量N對(duì)基準(zhǔn)方法UCF、NUCF和所提方法TRLIUCF推薦效果的影響，實(shí)驗(yàn)結(jié)果如圖6所示。其中，除推薦商品數(shù)量N以外，其他參數(shù)設(shè)為默認(rèn)值，圖6(a)、(b)、(c)為在AERD數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果；圖6(d)、(e)、(f)為在AFFR數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。

從圖6可以看出，在AERD和AFFR數(shù)據(jù)集上，UCF、NUCF和TRLIUCF方法的推薦效果變化趨勢(shì)一樣，即召回率隨著N的增加而增加，精確率隨著N的增加而減小。從F1值來看，隨著N的增加，三種方法的整體性能都呈下降趨勢(shì)，但TRLIUCF方法的整體性能依舊優(yōu)于UCF和NUCF方法。其中，在AERD數(shù)據(jù)集上，TRLIUCF方法的召回率比UCF、NUCF方法分別提升了161.76%～220%、20%～34.85%；精確率分別提升了150%～223.53%、22.22%～31.58%。在AFFR數(shù)據(jù)集上，TRLIUCF方法的召回率比UCF、NUCF方法分別提升了369.33%～395.56%、19.73%～23.20%；精確率分別提升了370.79%～396.30%、19.71%～24.07%。

圖6 推薦商品數(shù)量N對(duì)推薦效果的影響

從上述實(shí)驗(yàn)結(jié)果來看，將生活中的具體事物進(jìn)行抽象，表達(dá)為一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，能更加清晰地表現(xiàn)事物之間的關(guān)聯(lián)。傳統(tǒng)的UCF方法因用戶數(shù)量的限制，其推薦有一定的局限性，能利用的輔助信息也較少。而NUCF方法在傳統(tǒng)的UCF方法上利用網(wǎng)絡(luò)表示學(xué)習(xí)方法優(yōu)化了相似度計(jì)算，并利用了部分輔助信息。進(jìn)一步，所提方法TRLIUCF在前兩者的基礎(chǔ)上融入了時(shí)間信息，使用戶時(shí)間偏好有所表達(dá)，加強(qiáng)了網(wǎng)絡(luò)節(jié)點(diǎn)之間的隨機(jī)轉(zhuǎn)移，選擇更好的鄰居節(jié)點(diǎn)，提升了推薦效果，實(shí)現(xiàn)了提高召回率和精確率的目標(biāo)。

4 結(jié)束語

針對(duì)現(xiàn)有基于網(wǎng)絡(luò)表示學(xué)習(xí)的個(gè)性化推薦方法沒有較好地考慮網(wǎng)絡(luò)的異質(zhì)性或時(shí)間信息的問題，提出了融入時(shí)間信息的網(wǎng)絡(luò)表示學(xué)習(xí)個(gè)性化推薦方法。首先，根據(jù)評(píng)論文本和時(shí)間信息，提出評(píng)論綜合情緒-貢獻(xiàn)值及其計(jì)算方法。其次，基于評(píng)論綜合情緒-貢獻(xiàn)值和用戶評(píng)論數(shù)據(jù)構(gòu)建用戶-商品-評(píng)論異質(zhì)網(wǎng)絡(luò)，并采用網(wǎng)絡(luò)表示學(xué)習(xí)方法學(xué)習(xí)節(jié)點(diǎn)嵌入向量。最后，通過用戶節(jié)點(diǎn)嵌入向量計(jì)算用戶相似性，并采用基于用戶的協(xié)同過濾進(jìn)行TOP-N推薦，有效地提升了推薦召回率和精確率。在下一步的研究工作中，將探索諸如時(shí)間粒度、其他上下文信息等，進(jìn)一步挖掘網(wǎng)絡(luò)的異質(zhì)結(jié)構(gòu)和語義，進(jìn)而提升推薦效果。