基于圖卷積神經(jīng)網(wǎng)絡(luò)的家具推薦方法

黃雨潔, 李 昕, 胡基柔, 陶 卓

(1.南京郵電大學(xué)計(jì)算機(jī)學(xué)院, 江蘇 南京 210023;2.南京郵電大學(xué)管理學(xué)院, 江蘇 南京 210023)

0 引言(Introduction)

隨著人們消費(fèi)水平的提升,對(duì)個(gè)性化家具的購(gòu)買需求逐漸增大,而通常城市中家具城的地理位置相對(duì)偏遠(yuǎn)、退換貨流程不便,加之人們的生活節(jié)奏加快,選購(gòu)家具比較困難。針對(duì)以上問題,家具行業(yè)智能化推薦方法顯得尤為重要。2019年由中華人民共和國(guó)工業(yè)和信息化部等十三個(gè)部門印發(fā)的《制造業(yè)設(shè)計(jì)能力提升專項(xiàng)行動(dòng)計(jì)劃(2019—2022年)》也指出要實(shí)現(xiàn)傳統(tǒng)優(yōu)勢(shì)產(chǎn)業(yè)設(shè)計(jì)升級(jí),這對(duì)家具行業(yè)的轉(zhuǎn)型升級(jí)提出了更高的要求[1]。

推薦系統(tǒng)在實(shí)現(xiàn)家具行業(yè)智能化的過程中起到了重要的作用,并且近年來各類推薦算法也不斷進(jìn)步[2]。有研究表明,卷積神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的推薦算法,可以通過鄰域聚合操作,實(shí)現(xiàn)對(duì)節(jié)點(diǎn)鄰居信息的更精準(zhǔn)統(tǒng)計(jì)[3]。本文將基于圖卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾算法應(yīng)用于家具推薦,根據(jù)用戶對(duì)部分家具的評(píng)分以及其性別、年齡和薪資等特征屬性和家具特征屬性,進(jìn)行二層圖卷積神經(jīng)網(wǎng)絡(luò)的搭建,實(shí)現(xiàn)對(duì)家具評(píng)分的預(yù)測(cè),幫助用戶高效選購(gòu)家具。

1 背景介紹(Background information)

1.1 家具行業(yè)發(fā)展現(xiàn)狀及趨勢(shì)

經(jīng)濟(jì)的持續(xù)快速發(fā)展與現(xiàn)代化建設(shè)的不斷推進(jìn)以及居民收入水平的不斷提高,為中國(guó)家具行業(yè)提供了良好的發(fā)展環(huán)境。進(jìn)入經(jīng)濟(jì)全球化、貿(mào)易全球化與互聯(lián)網(wǎng)時(shí)代,人們對(duì)思想與審美的個(gè)性化追求與商品性價(jià)比的要求逐步提升,加之移動(dòng)互聯(lián)網(wǎng)的發(fā)展、各類3D模型技術(shù)的精進(jìn)和推薦算法的不斷優(yōu)化,家具裝飾移動(dòng)應(yīng)用應(yīng)運(yùn)而生,具有巨大的市場(chǎng)潛力。

家具行業(yè)屬于創(chuàng)意性傳統(tǒng)企業(yè)。此前,我國(guó)家具行業(yè)中企業(yè)數(shù)量較多,但行業(yè)集中度較低。隨著居民生活節(jié)奏的加快,實(shí)體店的客流量逐漸減少。為適應(yīng)消費(fèi)者的消費(fèi)需求,家具定制逐漸與互聯(lián)網(wǎng)融合,電子商務(wù)快速發(fā)展,O2O(Online To Offline)模式的普及度逐漸提升,電商利用互聯(lián)網(wǎng)聚集了大量的家具供應(yīng)商,并運(yùn)用大數(shù)據(jù)實(shí)現(xiàn)精細(xì)化管理,通過推送算法根據(jù)用戶喜好為其推送關(guān)注的內(nèi)容。此外,O2O模式得以與推送算法結(jié)合,給予消費(fèi)者更多交互體驗(yàn),能讓消費(fèi)者在虛擬的世界中獲得更多的信息[4]。家具裝飾移動(dòng)應(yīng)用通過高性價(jià)比的功能與精細(xì)管理吸引了大量消費(fèi)者。

1.2 協(xié)同過濾推薦系統(tǒng)發(fā)展

推薦系統(tǒng)隨著互聯(lián)網(wǎng)的發(fā)展而快速進(jìn)步,而協(xié)同過濾作為推薦系統(tǒng)中的經(jīng)典算法,在推薦領(lǐng)域中起著重要作用。1994年,GroupLens項(xiàng)目組在明尼蘇達(dá)大學(xué)首次開發(fā)出一種全新的自動(dòng)化協(xié)同過濾系統(tǒng),它不僅首次將協(xié)同過濾的理論應(yīng)用于實(shí)踐,更進(jìn)一步將推薦問題的系統(tǒng)模型納入其中,這一創(chuàng)新性的技術(shù)將在未來幾十年里極大地促進(jìn)推薦系統(tǒng)的發(fā)展[5]。該小組隨后創(chuàng)建了一個(gè)試點(diǎn)研究網(wǎng)站MovieLens,其中包含迄今為止在推薦領(lǐng)域被廣泛引用的數(shù)據(jù)集,影響深遠(yuǎn)。

協(xié)同過濾算法細(xì)分可以分為以用戶為基礎(chǔ)(User-based)的協(xié)同過濾算法、以項(xiàng)目為基礎(chǔ)(Item-based)的協(xié)同過濾算法、以模型為基礎(chǔ)(Model-based)的協(xié)同過濾算法。以模型為基礎(chǔ)的協(xié)同過濾算法是前兩種算法的進(jìn)一步發(fā)展,也是目前應(yīng)用最為廣泛的協(xié)同過濾算法[6]。

2016年,視頻網(wǎng)站YouTube嘗試通過結(jié)合深度學(xué)習(xí)的協(xié)同過濾算法滿足視頻推薦需求的增長(zhǎng),通過實(shí)驗(yàn)證明,推薦系統(tǒng)和深度學(xué)習(xí)的結(jié)合可以取得良好效果。自此,推薦系統(tǒng)與深度學(xué)習(xí)結(jié)合研究成為熱點(diǎn)[7]。近年來,將圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network, GNN)應(yīng)用至協(xié)同過濾算法中也是一個(gè)研究熱點(diǎn),其中包括圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolution Network, GCN)[8]。研究表明:GCN相比傳統(tǒng)的方法,能夠更高效地利用推薦系統(tǒng)以及數(shù)據(jù)中存在的用戶屬性和商品屬性信息構(gòu)建圖的結(jié)構(gòu)屬性和節(jié)點(diǎn)特征信息[9-10]。因此,GCN在推薦系統(tǒng)中的應(yīng)用有著良好的發(fā)展前景。

2 圖卷積神經(jīng)網(wǎng)絡(luò)推薦算法介紹(Introduction to GCN recommendation algorithms)

在推薦系統(tǒng)中有兩組集合分別是用戶集U={u1,u2,u3,…,un}和家具集F={f1,f2,f3,…,fm}。用R={ruf}表示用戶u對(duì)家具f的評(píng)分。用以上數(shù)據(jù)集構(gòu)建用戶-家具的二部圖G=(V,E)。其中,V=U∪F,即該二部圖中的所有節(jié)點(diǎn)由用戶節(jié)點(diǎn)和家具節(jié)點(diǎn)構(gòu)成。E=R表示用戶對(duì)家具的評(píng)分值構(gòu)成二部圖中的邊。由此可知,用戶對(duì)家具的評(píng)分越高,則關(guān)聯(lián)越強(qiáng)。構(gòu)造的用戶-家具二部圖G如圖1所示。G的鄰接矩陣記為A,其中Aij代表i節(jié)點(diǎn)和j節(jié)點(diǎn)是否連接。G的度矩陣記為D,Dii表示節(jié)點(diǎn)i的度。GCN用來傳播用戶和家具的特征,其計(jì)算公式如下:

圖1 用戶-家具二部圖Fig.1 User-furniture bipartite graph

(1)

3 圖卷積神經(jīng)網(wǎng)絡(luò)推薦算法框架介紹(Introduction to GCN recommendation algorithm framework)

基于GCN的家具推薦方法的基本框架可分為輸入層、卷積層及輸出層。輸入層主要負(fù)責(zé)生成相關(guān)圖結(jié)構(gòu)數(shù)據(jù)。卷積層傳播用戶和家具的特征,并不斷優(yōu)化用戶和家具的特征表示。輸出層將不同卷積層得到的用戶和家具的特征表示聚合,預(yù)測(cè)用戶對(duì)家具的評(píng)分。

輸入層用于生成相關(guān)圖結(jié)構(gòu)數(shù)據(jù)以及初始化用戶與家具的特征表示。圖結(jié)構(gòu)數(shù)據(jù)主要包括節(jié)點(diǎn)自身的特征向量以及圖的鄰接矩陣和度矩陣等。本層將每一條用戶與家具信息轉(zhuǎn)換為向量表示。在本文實(shí)驗(yàn)中,向量的維度設(shè)置為64,節(jié)點(diǎn)的特征向量可表示為[用戶id/家具id,性別/價(jià)格,…]。鄰接矩陣體現(xiàn)了各個(gè)節(jié)點(diǎn)之間的關(guān)系,為卷積層中傳播用戶和家具特征奠定了基礎(chǔ)。

卷積層主要完成傳播特征及不斷完善用戶及家具的特征表示的任務(wù)。文獻(xiàn)[12]指出一旦使用多層卷積層,相關(guān)任務(wù)的傳播效果會(huì)急劇下降,所以本實(shí)驗(yàn)采用兩層卷積層,具體的計(jì)算公式如公式(2)所示:

(2)

其中:σ為非線性激活函數(shù)ReLU,W(0)為第一層GCN的特征權(quán)重矩陣,W(1)為第二層GCN的特征權(quán)重矩陣。通過堆疊多個(gè)圖卷積網(wǎng)絡(luò)層,模型可以輸出各個(gè)節(jié)點(diǎn)更高維度的特征表示,利用這些特征表示可以實(shí)現(xiàn)后續(xù)節(jié)點(diǎn)的預(yù)測(cè)。

(3)

基于GCN的家居推薦方法框架如圖2所示。

圖2 基于GCN的家具推薦方法框架Fig.2 A framework for furniture recommendation methods based on GCN

4 實(shí)驗(yàn)分析(Experimental analysis)

4.1 實(shí)驗(yàn)環(huán)境

本文構(gòu)建的GCN模型基于深度學(xué)習(xí)框架PyTorch實(shí)現(xiàn),CPU處理器采用Intel(R) Core(TM)i7-10710U,GPU處理器采用NVIDIA GeForce MX350。

4.2 數(shù)據(jù)集

為驗(yàn)證本文所提出的基于GCN的家具推薦方法的準(zhǔn)確性,本實(shí)驗(yàn)共收集了910名用戶對(duì)50種家具的22 750條評(píng)分記錄,其中每個(gè)用戶至少評(píng)價(jià)25種家具,評(píng)分的取值位于整數(shù)1～5,評(píng)分越高,意味著用戶越喜愛這種家具。本實(shí)驗(yàn)隨機(jī)選擇評(píng)分記錄的70%作為訓(xùn)練集,剩余的30%作為測(cè)試集。

4.3 數(shù)據(jù)預(yù)處理

在實(shí)驗(yàn)中,為910名用戶添加了性別、年齡和薪資等特征屬性,最終形成910×4的用戶特征矩陣。用戶特征屬性如表1所示。

表1 用戶特征屬性

本文實(shí)驗(yàn)為50種家具添加了價(jià)格、材質(zhì)、尺寸及顏色4種特征屬性,最終形成50×5的家具特征矩陣。同時(shí),利用收集到的用戶對(duì)家具的評(píng)分可以構(gòu)建用戶-家具三元組[user_id,item_id,rating],可以用來描述用戶節(jié)點(diǎn)與家具節(jié)點(diǎn)之間的關(guān)系,通過這個(gè)三元組可以構(gòu)建鄰接矩陣。

4.4 實(shí)驗(yàn)結(jié)果評(píng)估標(biāo)準(zhǔn)

本文實(shí)驗(yàn)算法的評(píng)估標(biāo)準(zhǔn)主要是三個(gè)方式:精確度、召回率和均方根誤差值。

精確度(Precision)以預(yù)測(cè)的結(jié)果作為判斷依據(jù),表示為推薦結(jié)果中與真實(shí)數(shù)據(jù)相同的數(shù)據(jù)與推薦數(shù)據(jù)的比值,代表推薦數(shù)據(jù)中的正確率,如公式(4)所示:

(4)

公式(4)中,對(duì)于用戶u的推薦家具的集合為R(u),而用戶u喜歡的家具集合為T(u)。

召回率(Recall)表示預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)相同的正確數(shù)據(jù)與真實(shí)數(shù)據(jù)的比值,代表真實(shí)數(shù)據(jù)的推薦率,如公式(5)所示:

(5)

均方根誤差(RMSE)是預(yù)測(cè)值和真實(shí)值偏差的平方和與觀測(cè)次數(shù)的比值的平方根,衡量的是預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)的偏差,對(duì)于異常數(shù)據(jù)較為敏感,如公式(6)所示:

(6)

其中:N表示觀測(cè)次數(shù),Yi-f(xi)表示觀測(cè)值與真實(shí)值的偏差。

4.5 基線方法

為證明本文提出的基于GCN的家具推薦算法的準(zhǔn)確性,選用ItemCF和UserCF與之進(jìn)行比較[13]。

ItemCF:通過用戶行為計(jì)算物品相似度,根據(jù)物品之間的相似度與用戶歷史行為形成用戶推薦表,適用于用戶個(gè)性化推薦。

UserCF:根據(jù)用戶之間相似度,給目標(biāo)用戶推薦相似用戶產(chǎn)生過行為的物品。UserCF的推薦更社會(huì)化,適用于新聞推薦。

4.6 實(shí)驗(yàn)結(jié)果分析

本文實(shí)驗(yàn)選取精確度、召回率與均方根誤差作為推薦算法的性能衡量指標(biāo),精確度、召回率的數(shù)值越高,均方根誤差的數(shù)值越低,代表推薦算法的性能越好。為研究不同模型對(duì)協(xié)同過濾算法性能的影響,本實(shí)驗(yàn)利用家具喜愛度問卷搜集到的數(shù)據(jù)集,分別對(duì)GCN、ItemCF、UserCF三種算法進(jìn)行算法測(cè)試。在三組實(shí)驗(yàn)數(shù)據(jù)中,三種算法得到的精確度、召回率和均方根誤差如表2所示,評(píng)估數(shù)據(jù)視圖如圖3所示。

表2 協(xié)同過濾算法評(píng)估數(shù)據(jù)對(duì)比

圖3 評(píng)估數(shù)據(jù)視圖Fig.3 Assessment data view

根據(jù)圖3得知,在精確度和召回率方面,ItemCF的算法得分要高出其他兩種算法,但在均方根誤差指標(biāo)方面,GCN要明顯低于其他兩種算法的指標(biāo),可以達(dá)到約0.26,ItemCF和UserCF則都大于1.8。對(duì)比結(jié)果可知,基于GCN的推薦算法相比ItemCF和UserCF,在均方根誤差上實(shí)現(xiàn)了更好的性能,而ItemCF在精確度與召回率上實(shí)現(xiàn)了更好的性能。本文提出的GCN算法優(yōu)化是可取的,精確度與召回率相差較小的情況下,均方根誤差越小,說明算法越好,擬合程度越高,即對(duì)于用戶的推薦效果就越好。在用戶或者物品較多的場(chǎng)合,ItemCF與UserCF的物品相似度矩陣的計(jì)算代價(jià)較大,損失也較大,對(duì)比ItemCF與UserCF,GCN在Loss訓(xùn)練上的表現(xiàn)更好。綜上所述,GCN在數(shù)據(jù)量較多時(shí),根據(jù)同時(shí)聚合的用戶與家具的特征,捕捉全圖信息,模型結(jié)果更加準(zhǔn)確,預(yù)測(cè)值更加接近真實(shí)值,對(duì)于用戶的推薦效果更好。

5 結(jié)論(Conclusion)

針對(duì)當(dāng)下人們對(duì)個(gè)性化家具的購(gòu)買需求的增大,本文提出了一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的家具推薦方法。該推薦方法通過建立圖卷積神經(jīng)網(wǎng)絡(luò)獲取不同層的用戶-家具特征,將多層特征表示聚合后進(jìn)行評(píng)分預(yù)測(cè)。開展實(shí)驗(yàn)與其他常見協(xié)同過濾算法進(jìn)行比較,結(jié)果表明該推薦方法在精確度、召回率和Loss訓(xùn)練上都有較好的效果。下一步將結(jié)合家具商品的實(shí)際市場(chǎng),進(jìn)一步優(yōu)化模型,提升推薦效果。