融合信任度的神經網絡推薦算法

2023-09-04 09:22:58姜久雷潘姿屹李盛慶

計算機應用與軟件 2023年8期

姜久雷潘姿屹李盛慶

(常熟理工學院計算機科學與工程學院江蘇蘇州 215500) 2(北方民族大學計算機科學與工程學院寧夏銀川 750021)

0 引言

在這個信息激增的大數據時代,數以億計的用戶每時每刻都會面對指數級增長的數據信息。如何使用戶快速、有效地從冗余信息中獲取自己所需的相關信息,是推薦系統發展的重中之重。推薦系統的核心內容是對推薦算法的不斷改進,最早的推薦算法是在20世紀90年代研發中心Xerox Plo Alto開發出的名為Tapestry[1]的軟件,目的是協助用戶從琳瑯滿目的郵件中快速找到自己最需要的郵件,協同過濾由此而生。推薦算法經過20多年的積累與沉淀發展至今,已經成為了擁有眾多研究成果與應用的熱點領域。

應用于社交網絡的推薦系統中,朋友之友(FOAF)是最熱門的項目之一,近期研究工作表明用戶更加傾向于選擇有社交信任關系的推薦系統[2],同時偏愛用戶個人所認識和信任用戶的推薦,因此信任度高的用戶引導其他用戶訪問與其興趣相關的項目的可能性更大。就此,用戶-用戶之間的信任問題可以作為數據化社交信息的一個重要依據[3]。文獻[4]將用戶社交信任加入到構建用戶特征模型中,利用概率矩陣分解來預測用戶-項目評分。文獻[5]在傳統用戶-項目矩陣分解中引入用戶信任特征矩陣,以便提高推薦精度。

在學科融合的推進下,推薦算法與其他熱門學科交互發展,其中較前沿的方法是基于深度學習的推薦算法[6]。由于深度學習模型可以擬合非結構化的數據,從中學習隱式表示提取可辨識的特征,將深度學習模型應用到推薦系統中,將推薦問題看作序列化的問題求解,通過學習用戶之間的歷史交互分布來預測推薦內容。目前已有很多深度學習推薦方法將序列數據建模應用于推薦算法中,例如基于RNN、CNN[7]等的深度神經網絡模型,其中最具代表性的就是神經網絡協同過濾方法,在深度學習推薦算法發展歷程中的一大里程碑事件是由He等[8]提出的利用形式化用戶協同過濾的神經網絡結構提取隱式數據的NCF框架,通過將傳統內積替換成神經結構優化模型對用戶-項目數據表示的學習效率,從而改善推薦性能。此后,Bai等[9]首次將鄰域信息融合到NCF方法中,很大程度上提升了隱式信息的推薦性能。文獻[10]針對神經網絡協同過濾中使用大量模型訓練參數而導致模型過擬合問題提出了改進的IFE-NCF框架,通過引入隱式反饋嵌入模型增加對項目-項目之間相關性的建模,以便對冷啟動用戶做合理的推薦。目前越來越多的研究者將深度學習與推薦算法相結合,雖然這種混合推薦算法對于提升推薦性能非常有效,但也存在一些弊端:1) 深度學習方法將所有用戶-項目特征一并訓練,其中存在大量無相關參數,導致引入噪聲降低推薦性能[11];2) 眾多基于神經網絡的推薦算法只考慮用戶-項目的序列特征,而忽略了用戶-用戶之間的關聯表示,對用戶間的信任度考慮欠佳[12];3) 社交網絡的數據結構多以節點或序列形式記錄,往往導致網絡泛化能力較差,所提取的特征映射復雜,難以進行后續操作[13]。

針對上述問題,本文提出一種融合信任度與注意力機制的協同過濾算法T-NAMF(Trust degree based on Neural Attention and Matrix Factorization network model)。該算法引入信任關系,考慮推薦內容的隱式相關表示;通過構建融合廣義矩陣分解塊和全連接塊的信任模型,采用協同過濾方法訓練用戶-項目、用戶-用戶的信任度;突出注意力模塊的預測權重,以提高用戶信任關系的動態學習效率;最后預測信任評分以提高推薦內容的相關性。

1 改進的信任度值計算方法

1.1 信任分類

在推薦系統中,依據不同的定義,信任被劃分為各種不同的類別。在本文中,依據不同的信任路徑,將信任劃分為直接信任和間接信任[14]。在一個社交網絡中用戶之間存在不同的信任關聯,且信任具有非對稱性。如圖1所示,箭頭方向表示信任方向,例如:0→3表示用戶0信任用戶3。

圖1 社交網絡中信任路徑表示圖

定義1將用戶-用戶的信任度表示為Trust,簡寫為Tr,例如用戶u0對用戶u3的信任程度表示為Tr(u0,u3)。

定義2令DTr表示直接信任,如果在社交網絡中用戶A到目標用戶B的信任路徑可直達,中間沒有其他用戶的參與,那么用戶A對用戶B的信任就是直接信任。例如,用戶u4到用戶u0的信任路徑中沒有經過其他用戶,用戶u4對用戶u0存在直接信任,記作DTr(u4,u0)。

定義3令ITr表示間接信任,與直接信任相反,在社交網絡中用戶A到目標用戶B的信任路徑之間有其他用戶的參與,那么用戶A對用戶B的信任就是間接信任。例如,用戶u0到用戶u4的信任路徑中有用戶u6的參與,即用戶u0對用戶u4存在間接信任,記作ITr(u0,u4)。

1.2 信任度值計算方法的改進

基于傳統公式的社交網絡節點信任度值計算方法雖然具有計算簡單、復雜度低等優點,但是不能適應不同結構的社交網絡,并且綜合考慮的影響因素也十分單一[15]。本文通過研究社交網絡的多種結構,探究影響用戶之間信任關系的關鍵影響因素并提出一種綜合多種權重影響因素的信任度值計算方法,細化了計算用戶信任度的量化標準,主要有三部分量化因素:用戶特征相似度、好友圈吻合度、用戶交互緊密度。

定義4令FS表示用戶特征相似度(Feature Similarity),其中包括用戶基本屬性特征和用戶興趣特征。

定義5令BS表示用戶基本屬性特征(Basic Attributes),指的是兩個用戶之間的基本信息相似度,其中包括性別、年齡、民族、省份、職業等。

定義6令IC表示用戶興趣特征(Interest Characteristics),指的是用戶自身對于不同項目的喜好程度,例如用戶喜歡看什么類別的電影、做什么樣的運動、讀什么類型的書等。

定義7令FM表示用戶表示好友圈吻合度(The Degree of Friend Match),即共同好友的數量。

定義8令IN表示用戶交互緊密度(User Interaction Tightness),即兩個用戶之間的交互頻率。

1.2.1直接信任度值的計算

在真實社交網絡中,兩用戶之間的信任程度往往是不一致的,通常情況下假如用戶Ua信任用戶Ub,不能直接推斷用戶Ub也同等程度地信任用戶Ua,因此本文中引入改進的計算直接信任度值DTr(ua,ub)的方法,結合影響信任的多個關鍵因素為其分配不同的權重。

(1) 用戶特征相似度的計算公式如下:

FS(ua,ub)=w·BS(ua,ub)+(1-w)·IC(ua,ub)

(1)

式中:w代表調參系數,取值范圍在[0,1],w越大說明用戶基本屬性信息相似度的作用越明顯。用戶基本屬性相似度和用戶興趣特征相似度的計算分別如下:

(2)

(3)

(2) 好友圈吻合度的計算公式如下:

(4)

式中:Common-friend(ua,ub)表示用戶Ua和用戶Ub的共同好友集合,依據“150定律”,又叫作鄧巴數字,設置150位共同好友數量的最大值。

(3) 用戶交互緊密度的計算公式如下:

(5)

式中:分子表示用戶Ua和用戶Ub的交互次數;分母表示用戶Ua和他所有朋友的交互次數。

綜合式(1)-式(5),得出兩個用戶之間的直接信任度值DTr(ua,ub)計算式為:

DTr(ua,ub)=M×FS(ua,ub)+O×FM(ua,ub)+

P×IN(ua,ub)

(6)

1.2.2間接信任度值的計算

由于信任具有可傳播性,在真實社交網絡中,用戶之間除了有直接信任關系還有間接信任關系。由圖1的信息可知,用戶u1和用戶u4之間不僅存在直接信任路徑,還存在兩條間接信任路徑,分別為:用戶u1信任用戶u0,用戶u0信任用戶u6,用戶u6信任用戶u4;用戶u1信任用戶u0,用戶u0信任用戶u4。這里設用戶u1到用戶u4的間接信任路徑為:L1064、L104,它們各自的間接信任值計算公式如下:

L1064=DTr(u1,u0)×DTr(u0,u6)×DTr(u6,u4)

(7)

L104=DTr(u1,u0)×DTr(u0,u4)

(8)

根據信任的可傳播性可知,一條信任路徑上的用戶越多,信任度增加的幅度越小,本節利用兩級信任路徑傳播,來計算用戶Ua到用戶Ub之間經過所有信任傳播路徑的間接信任值,在這里引入物理學中等效電阻的相關理論[17]來作為信任距離度量方法,如圖2所示。

圖2 社交網絡中模擬電路圖的用戶之間的信任路徑

即R1等效為L1064,R2等效為L104,由并聯電阻計算方法式(9)可得,間接信任度值的計算方法為式(10)。

(9)

(10)

1.2.3綜合信任度值的計算

通過結合影響信任關系的幾個關鍵維度為其設置不同的權重,最終計算信任值公式如下:

sim-Tr(ua,ub)=

(11)

式中:sim-Tr(ua,ub)表示用戶Ua和用戶Ub之間的信任度值。當DTr(ua,ub)≠0、ITr(ua,ub)≠0時,說明用戶Ua和用戶Ub之間同時存在直接信任和間接信任;當ITr(ua,ub)=0時,代表用戶之間只存在直接信任;當DTr(ua,ub)=0時,表示用戶之間只存在間接信任。

2 融合信任度的神經網絡模型

目前,比較火熱的結合神經網絡的推薦算法——基于神經網絡的協同過濾(Neural network based Collaborative Filtering),通過將內部特征替換為可以從數據中學習任意函數的神經結構,它的優點是可以將特征向量映射到向量空間進行表示和學習,也可以作為訓練神經網絡模型所需要的特征向量[18]。在神經網絡的協同過濾算法的基礎上已經有IFE-NCF改進算法,經典的基于項目上下文的IFE-NCF框架是將某一層的輸出作為下一層的輸入,它由輸入層、嵌入層、IFE-NCF層、輸出層四大部分組成。IFE-NCF的每一層都可以通過定制結構來發現用戶-項目之間交互的潛在結構,目的是將潛在向量映射為預測評分傳輸到輸出層,這樣的設計比原來固定的內部函數具有更完善的表達能力。它雖然采用多層結構來對用戶-項目的交互信息進行建模,在一定程度上可以直接預測用戶-項目評分矩陣中的缺失數據,但是它僅憑用戶交互過的項目信息來進行預測,忽略了用戶和用戶之間的相互有關聯的關系信息,同時考慮到社交網絡中大量冗余的信息,傳統的模型僅通過特征工程獲得用戶主觀意識的屬性作為研究主體,往往忽略豐富的客觀內容。為此,本文通過融合上述信任度值計算方法所得到的關系矩陣,將用戶-用戶、用戶-項目的直接信任及間接信任矩陣嵌入到用戶、項目的序列特征中,以提高推薦相關性。

2.1 融合信任度的算法思想

在深度神經網絡模型中融合信任度,是充分考慮社交網絡中大量數據缺失的研究背景,綜合利用上述度量方法計算出的用戶之間的信任度對原始數據進行最大能力的補全操作。在現實社交網絡中用戶興趣一定是與用戶評分行為有某種聯系,同時這種聯系還需要考慮用戶之間的信任關系。圖3和圖4為本文算法融合信任度值的具體過程。

圖3 融合信任度與用戶特征的矩陣補全模型

圖4 融合信任度與項目特征的矩陣補全模型

如圖3所示為用戶之間信任度與用戶自身特征的矩陣補全過程,輸入用戶自身特征向量和用戶-用戶信任度值向量,輸出補全缺失數據的用戶-項目評分矩陣。圖4中描述了用戶之間信任度與項目基本特征的矩陣補全過程,輸入項目基本特征向量和用戶-用戶信任度值向量,輸出補全缺失數據的用戶-項目評分矩陣。

然后,將以上兩個分別融合信任度進行數據補全的矩陣利用哈達瑪積(Element-wise Produce)將其嵌入到用戶集(User)和項目集(Item)中構建用戶信任矩陣和項目信任矩陣,利用embedding層對用戶集和項目集進行向量轉換,從而獲得輸入序列向量。這種補全數據值的方法不同于傳統的推薦模型將矩陣中所有缺失數據進行一次性補全的方式,本文方法更加注重社交網絡中用戶之間信任關系,也著重突出了后續神經網絡模型中設計的注意力機制的作用,為融合信任度的特征矩陣分配更大的權重,突出信任關系對預測評分的影響比重。利用量化得出的信任度值將缺失數據盡可能地補全同時又防止后續使用數據集進行實驗會出現過擬合現象。

2.2 T-NAMF算法模型

本節提出一個融合信任度的神經注意力機制矩陣分解網絡模型T-NAMF,將神經網絡中的注意力機制與協同過濾矩陣分解相結合的推薦評分預測模型,模型框架如圖5所示。

圖5 T-NAMF算法模型

為了詳細地解釋該協同過濾模型的結構層次,對各個步驟講解如下。

步驟1以融合信任度之后的u-Tr和i-Tr作為輸入映射到序列特征中。

步驟2用embedding分別從u-Tr和i-Tr中提取用于廣義矩陣分解塊和全連接塊的輸入向量MF_User_Vector、FC_User_Vector、MF_Item_Vector、FC_Item_Vector,以便獲得user和item的隱式反饋信息,利用哈達瑪積(Element-wise Produce)來進行user和item向量的交互。

步驟3對MF_User_Vector和MF_Item_Vector采用Element-wise Produce操作融合用戶-項目向量矩陣,作為GMF的輸入特征,利用向量矩陣的稀疏性降低計算復雜度。

步驟4將步驟2中FC_User_Vector和FC_Item_Vector串聯起來,作為全連接塊的輸入向量,通過擬合user和item之間的非線性表示,提高語義特征的可識別性。

步驟5將通過GMF和FC層所得的特征送入Attention Module,通過對融合特征的系數矩陣進行縮放,提高推薦內容的相關度。

步驟6將信任矩陣內部評分做等級化處理,分為0-5級,用戶-項目數據映射得到的信任值作為標準,采用Log loss作為損失函數,對預測信任評分進行評估,從而優化模型訓練。

步驟7對訓練的網絡模型中的參數微調,進一步提高預測模型的精確度。

2.3 輸入層

輸入層中主要包括的數據信息有:用戶id、項目id、用戶-項目之間的交互信息,雖然在每個數據集中都包含有數百萬條的交互信息,但同時數據集的稀疏度也高達95%。本節利用第1節中提出的信任度值計算方法及現有數據信息計算用戶-用戶的信任度值,相當于在數據集中添加一列信任數據。首先,在模型的輸入層中將信任度值數據分別映射到用戶和項目的特征矩陣中,再對用戶id、用戶特征和項目id、項目類別等數據進行one-hot編碼預處理,目的是將非數值化的數據進行數值化處理,并且這種預處理方法的處理效果明顯優于其他神經網絡類型的編碼方式,one-hot編碼可以對每一維的特征數據進行歸一化處理,以起到有擴充特征數據的作用。在預處理編碼之后,分別輸入用戶-信任向量和項目-信任向量。

2.4 嵌入層

嵌入層中輸入的是輸入層中輸出的用戶-信任潛在向量和項目-信任潛在向量,并將它們描述成關于用戶和項目分別基于信任度的潛在向量,其中關于用戶的潛在向量輸入單元為8units,關于項目的潛在向量輸入單元為32units。本文用vu、vi、vTr分別表示用戶特征向量、項目特征向量和信任特征向量,將信任特征向量映射之后的用戶-信任向量和項目-信任特征向量表示為:

vut=vu·vTr;vit=vi·vTr

(12)

另外用Vu和Vi分別表示兩者的嵌入向量:

(13)

式中:用MFu∈Rm·k代表用戶特征的嵌入矩陣,MFi∈Rn·k代表項目特征的嵌入矩陣,k表示嵌入維度的大小,m表示用戶特征個數,n表示項目特征個數。

2.5 NAMF層

NAMF層是本文算法改進的核心部分,其中包括廣義矩陣GMF層、全連接FC層和注意力模塊。首先,GMF中的特征提取始于嵌入層中MF-User向量和MF-Item向量的嵌入,得到一個8×8的二維矩陣,經過矩陣分解,輸出神經元(units)數量為8的神經元網絡。FC全連接層是提取社交網絡中的用戶、項目、信任信息作為特征向量,作為FC嵌入層中的輸入維度,接著合并FC和MF中的項目向量來升維空間向量,然后用幾個全連接層結合ReLU激活函數輸出該神經網絡。

在GMF和FC層中,不同的嵌入層很有可能會限制融合模型的性能,由于兩種模型之間的結構差異很大,所以本文設定GMF和FC使用相同的嵌入維度大小為數據集的最佳嵌入大小。為了給融合模型提供更多的靈活性,允許GMF和FC單獨學習嵌入層數據并進行組合,最終連接這兩個模型的是它們的隱藏層,表示如下:

(14)

(15)

NAMF層中最關鍵的部分是本模型中設計的全局注意力模塊,通過FC全連接層的全局最大池化和GMF廣義矩陣分級的全局平均池化來提取特征向量和通道權重。在注意力模塊的輸入操作中,將GMF和FC的特征同時輸入進行通道融合,通過一層卷積層將多維通道的特征壓縮成一維通道的特征,以便減少多維通道之間的特征信息對注意力機制的干擾。將前面操作中的最大池化層和平均池化層合并輸入到Sigmoid函數中,歸一化獲取權重信息,最后將特征信息和初始的輸入特征對應單元進行相乘。具體結構如圖6所示。

圖6 注意力模塊內部結構

在Attention模塊中,本文借鑒文獻[19]中提出的局部推理方法實現對特征數據的融合處理,將GMF中的平均池化層和FC中的最大池化層進行特征融合,表示如下:

(16)

式中:⊕表示使用合并的方式來提取特征,這種融合特征的方法相比于傳統的直接做點積,在構建模型時更關注不同特征所占的權重不同,這樣學習出的神經網絡模型會減少對于關鍵特征的損失。

2.6 輸出層

(17)

3 實驗

3.1 數據集與參數設置

在本文實驗中采用的數據集是推薦算法中常用的兩個公開數據集,其一是MovieLens-1m,其中包含了6 040個用戶對3 652部電影的1 000 209個評分;另一個數據集是Pinterest-20,它是一個基于圖像內容隱式反饋來進行推薦的數據集,產生一個包含55 187個用戶和1 500 809個交互的數據子集。原始數據中沒有信任相關的統計,需要先進行數據預處理,將用戶評閱、點贊、收藏他人主頁等統計數據來作為統計信任關系數的依據,考慮到隱式反饋的性質,0表示間接信任,1表示直接信任。在本實驗中對數據集以10∶1的比例進行信任關系劃分,統計信息如表1所示。

表1 數據集的數據統計信息

利用改進信任度值計算方法計算得出的具體信任度值融合到原有數據集中,即新添加信任度值一列,樣本示例如圖7所示。

圖7 MovieLens-1m中添加用戶-信任數據

圖7為截取MovieLens-1m數據集中添加用戶-信任數據的樣本示例,將信任度值依據TOP-N排序,以便后續實驗獲取源用戶信任的目標用戶。圖8為截取同數據集中添加項目-信任數據的樣本示例,能夠在新的異構網絡中挖掘用戶之間的信任度。可見,融合信任度的推薦算法可以很大程度上緩解社交推薦系統中用戶信任關系挖掘不充分的問題,提高推薦效果。

圖8 MovieLens-1m中添加項目-信任數據

另外,為了確定T-NAMF算法中設置的超參數,本文隨機抽取了每個用戶的一個交互行為數據作為驗證數據,并且調整優化了其中的超參數,整個實驗過程都是通過優化算法Adam的對數損失來學習的,其中對每個正實例采樣四個負實例,對于從零開始訓練的T-NAMF模型,利用高斯分布(均值為0,標準差為0.01),設置學習率α=0.001,隨機初始化模型參數測試數據集。另外設置影響因素取值為8、16、32、64,剛接受過訓練的a值被設置為0.5,允許預先訓練的GMF和MLP對T-NAMF的初始化貢獻相等。

3.2 評價指標

本文使用命中率(HR)和歸一化折扣累計增益(NDCG)兩個指標作為實驗的評價指標。其中HR可以直觀地衡量是否測試項目在前十名列表中,從而評估推薦排名列表的性能,其定義如下:

(18)

式中:|GT|表示所有測試數據集合;分子表示的是推薦列表中屬于測試數據集合的數量。

NDCG是基于列表排名位置這所因子的體現,其衡量標準是推薦內容的位置在推薦列表中越靠前,它的相關度就越高,定義如下:

(19)

式中:求和公式是求1到N的和,N是推薦列表排名個數,在本文的算法中取N=10,即取前10個排名進行評估;Z取值0/1,0為隱式反饋,1為顯式反饋。

本文提出的融合信任度和注意力機制的T-NAMF是針對基于項目上下文的IFE-NCF的改進模型。為了驗證T-NAMF在實驗評估指標上的推薦表現,選擇改進的基礎模型IFE-NCF以及初始模型GMF和MLP作為本實驗的對比基準,以便較為全面地衡量本文算法的各項性能。

3.3 實驗分析

(1) 引入信任度值對實驗效果的分析。為了研究基于信任度的T-NAMF模型對用戶推薦項目的表現,本文實驗分別將MovieLens-1m和Pinterest-20兩個數據集的用戶按照信任度值分為三組:用戶之間信任度值小于等于0.33的屬于低信任組,用戶之間信任度值大于0.33且小于等于0.66的屬于中信任組,其余的用戶屬于高信任組。

圖9顯示的是在相同的實驗背景下,使用兩個不同的數據集分別利用低信任組、中信任組和高信任組用戶觀察MLP、GMF、IFE-NCF、T-NAMF四個不同的模型關于HR@10和NDCG@10的表現狀況。T-NAMF模型的推薦效果明顯優于其他三個模型,HR@10指標在MovieLens-1m和Pinterest-20兩個數據集的低、中、高信任組中最高分別提升了6.05%、1.75%、2.30%和16.12%、5.40%、4.18%;NDCG@10指標在兩個數據集的低、中、高信任組中最高分別提升了15.86%、13.98%、5.83%和8.20%、6.54%、7.79%。

(a) MovieLens-1M

另外,通過觀察可以發現:T-NAMF模型越是在低信任組的用戶中越有更好的推薦效果,這是由于本改進模型通過引入用戶之間的信任度值來度量用戶之間隱式關系,由此看來,T-NAMF模型可以填補缺失數據,很大程度上能夠緩解用戶的冷啟動問題。

(2) 在Top-N方面的推薦表現效果。為了研究MLP、GMF、IFE-NCF、T-NAMF四個不同的模型關于不用長度推薦列表的實驗真實效果表現,在實驗中為每個用戶設置影響因子factor為8,單次訓練迭代次數為50,batch_size為512,變量設置長度K為1～10的推薦列表,獲取并記錄在兩個數據集上四個模型有關NDCG@10和HR@10評價指標的真實反饋表現,如圖10所示。

(a) MovieLens-HR@K

分析圖10可知:

1) 推薦列表的長度(橫坐標表示的K值)在一定程度上影響推薦預測的準確性,K值從1增加到10的過程中,四個模型的推薦效果都呈現逐漸提升的狀態,但是每個模型的優化程度不同。

2) 從四個模型在MovieLens-1m數據集的推薦表現來看,本節提出的T-NAMF模型在整個K值取值范圍內比其他三個模型的推薦效果都要好,當K取值較小時,對比IFE-NCF模型提升的幅度較大,在K=10時,HR指標相比IFE-NCF模型只提升了0.89%;從圖10(b)中可以看出T-NAMF模型的推薦表現明顯優于其他對比三個模型,在K=10時,NDCG指標相比于IFE-NCF模型提升了5.40%。

3) 就數據集Pinteres-20來看,從圖10(c)中的推薦表現可以看出,當K<5時,T-NAMF模型比IFE-NCF模型的推薦表現略好一點,之后隨著K值的不斷增大,前者的HR指標比后者稍差一點,但是明顯優于MLP、GMF兩個模型的推薦水平;圖10(d)的反饋信息跟圖10(c)類似,在K>7的取值范圍中,T-NAMF模型比IFE-NCF模型的NDCG指標略差一點。

上述情況出現的原因是由于在數據集Pinterset-20中的數據都是基于圖片的內容,數據本身就有描述不準確性,T-NAMF模型在基于圖片的應用場景下發揮的推薦效果還有待提升。另外,TOP-K并非越大越好,就實驗結果來看,K值取小于3的推薦效果最好,結合現實推薦系統的應用目的是將預測評分最高的項目推薦給用戶,TOP-K中的K值選取應盡量小且推薦指標盡量高,因此K=3是最佳選擇。

4 結語

本文充分考慮社交網絡中用戶與用戶之間的信任關系,將其量化計算并作為隱式推薦系統中的一個特征因素,同時將深度神經網絡中添加注意力機制應用到推薦算法中,在原有的基于項目上下文的NCF框架的基礎上提出一種新的T-NAMF框架。在現有的數據集信息類別有限且數據量稀疏的情況下,利用已有的顯式數據綜合多種權重影響因素,有效緩解了數據稀疏問題。在訓練模型部分加入全局注意力機制模塊,以增強對于關鍵特征的學習。通過實驗結果可以證明,T-NAMF框架增大了權重特征的比重,在召回率和歸一化性能方面都有很好的優化效果。但是,T-NAMF也存在一定不足,不能夠普適所有類型的應用場景,在基于圖片內容的場景中推薦表現欠佳;另外在沒有信任度值的數據集中需要先對數據集做預處理計算出用戶之間的信任度值,這部分工作量較大。