融合全局特征和時間信息的社會推薦研究

周華平,周明

(安徽理工大學(xué) 計算機科學(xué)與工程學(xué)院,安徽 淮南 232001)

在當前信息爆炸的時代,人們利用大數(shù)據(jù)這把雙刃劍,在掌握信息、豐富知識、開闊眼界的同時,也被大量的“泡沫數(shù)據(jù)”所影響,被無效的信息所包圍,無從下手,無從關(guān)注。此外,用戶所關(guān)心的信息被嚴重封鎖,無法獲得。目前,緩解這些問題是當務(wù)之急。正是在這種情況下,推薦系統(tǒng)應(yīng)運而生,以處理“泡沫數(shù)據(jù)”對用戶的負面影響。社會推薦系統(tǒng)在幫助目標用戶尋找潛在的感興趣的項目方面有著廣泛的應(yīng)用。在社交推薦領(lǐng)域,由項目與項目、項目與用戶、用戶與用戶組成的多方互動可以用圖形來表達,項目和用戶是節(jié)點,互動是邊。因此,推薦系統(tǒng)與更豐富的社會網(wǎng)絡(luò)相結(jié)合,利用它們之間傳播的信息提高推薦的相關(guān)性和有效性。

社會化推薦考慮通過采用用戶感興趣的內(nèi)容,即用戶關(guān)系鏈中的推薦內(nèi)容來進行推薦。近年來,Guo等人[1]研究了物品特征之間的關(guān)聯(lián)性,并將用戶特征空間和物品特征空間抽象為兩個圖網(wǎng)絡(luò),以提高社交推薦的準確性。Liu等人[2]提出了一個同時發(fā)現(xiàn)多種復(fù)雜關(guān)系的物品關(guān)系圖神經(jīng)網(wǎng)絡(luò)[3],并為不能直接獲得的物品或用戶信息提供了一個解決方案。關(guān)于關(guān)系,實體之間也存在高階關(guān)系。許多研究考慮整合知識圖譜和用戶-項目圖譜來捕捉這些高階關(guān)系。鑒于圖神經(jīng)網(wǎng)絡(luò)的力量,它們被納入了本文的框架。

自注意力機制被應(yīng)用于模擬行為之間的相互作用。Zhou等人[4]指出,在電子商務(wù)領(lǐng)域中,用戶可能會進行多種行為,如瀏覽、購買和收藏產(chǎn)品,使用優(yōu)惠券,點擊廣告,搜索關(guān)鍵詞,撰寫評論或觀看商家提供的產(chǎn)品介紹視頻等,因而從一個更全面的角度了解用戶行為,能為我們提供不同的視角。然而,面對用戶行為的異質(zhì)性和多樣性,現(xiàn)有的推薦模型難以提供更準確的推薦結(jié)果。具體而言,自注意力機制用于將用戶每個行為的客觀表示轉(zhuǎn)化為其內(nèi)部記憶中的表示。客觀表示是指當用戶A和B執(zhí)行相同的行為時,行為本身的表示可能是相同的,但在A和B的記憶中,該行為的重要程度和清晰度可能完全不同,因為A和B的其他行為是不同的。

結(jié)合以上背景,本文提出了一種全新的圖神經(jīng)網(wǎng)絡(luò)社交推薦系統(tǒng)。

-在特征融合階段,為全局特征的融合引入了一個自我關(guān)注的機制。

-提出使用門控遞歸單元對用戶和項目的時間交互歷史進行建模。

1 基礎(chǔ)定義

用U={u1,u2,…,um}和V={v1,v2,…,vn}分別表示用戶和項目的集合,其中m和n分別為用戶和項目的數(shù)量。L∈Li*j表示為用戶與項目的交互圖。用戶ui對相應(yīng)項目vj給出的評分值用來表示eij。如果用戶不對項目進行評分或兩者沒有互動,則eij=0。一般來說,矩陣L是稀疏的。將用戶社交圖定義為PU=(U,QU),其中QU作為邊集連接用戶。

圖1 GFTI-Rec的總體框架

輸入層對原始數(shù)據(jù)進行預(yù)處理,然后構(gòu)建項目關(guān)系圖,進一步將預(yù)處理后的數(shù)據(jù)轉(zhuǎn)換為用戶和項目嵌入,之后通過本文新提出的門控遞歸單元網(wǎng)絡(luò)進行聚合,獲得用戶的潛在因子偏差,項目建模被用來學(xué)習(xí)項目的潛在因子偏差。最后,潛在因素偏差通過輸出層輸出,最終得到預(yù)測分數(shù)。

2 模型分析

(1)

(2)

Rt=σ(wirxt+ht-1whr+br)

(3)

Zt=σ(wizxt+ht-1whz+bz)

(4)

接下來需要通過對神經(jīng)單元進行門控來計算候選的隱藏狀態(tài)pt,以便計算隱藏狀態(tài)qt:

pt=tanh(wipxt+(Rt?ht-1)whp+bh)

(5)

qt=pt?(1-Zt)+ht-1?Zt

(6)

其中wip和Rt表示權(quán)重,bh表示偏差向量。

為了提高模型的性能,我們使用雙向門控遞歸單元,如圖2所示,輸出是由全連接層的激活函數(shù)sigmoid得到的:

圖2 雙向門控循環(huán)單元示意圖

由于縫合操作是由前向和后向傳播的結(jié)果結(jié)合表示,所以最終的節(jié)點表示為:

(7)

2.1 注意力網(wǎng)絡(luò)

由于自注意機制可以有效地捕捉全局特征,它解決了一般注意力機制只能局部學(xué)習(xí)的殘缺問題。同時,自注意機制不僅可以自動學(xué)習(xí)用戶自己的特征,還可以提供物品屬性的全面表述,見圖3。

使用的自注意機制的輸入由Q,K,V組成。這里Q,K,V的輸入由用戶和項目信息的嵌入向量組成,然后加權(quán)得到最終輸出:

(8)

(9)

2.2 用戶聚合

(10)

其中,σ用于表示非線性激活函數(shù),w和b分別表示權(quán)重和偏差,X(i)表示聚合的用戶意見感知互動。

(11)

最終得到的聚合函數(shù)如下:

(12)

2.3 社交聚合

(13)

其中,γ用于表示非線性激活函數(shù),w和b分別表示權(quán)重和偏差,D(i)表示聚合的鄰居意見感知的相互作用。

2.4 預(yù)測

(14)

其中g(shù)output是一個三層神經(jīng)網(wǎng)絡(luò)的多層感知器。

2.5 模型訓(xùn)練

從評級預(yù)測的角度來評估我們提出的模型。讓α為數(shù)據(jù)集中的所有評級的集合,α={(i,j):eij≠0}。對于評級預(yù)測的任務(wù),有一個常用的目標函數(shù):

(15)

3 實驗

3.1 參數(shù)設(shè)置

3.1.1 數(shù)據(jù)集 我們將模型分別放在Ciao和Epinions數(shù)據(jù)集上進行評估,這兩個數(shù)據(jù)集都取自流行的社交網(wǎng)站,都包含了用戶、項目、評分和社交關(guān)系等組成部分,每個社交數(shù)據(jù)項的 “關(guān)注者數(shù)據(jù)指數(shù)”和“關(guān)注者指數(shù)”都包括在內(nèi)(表1)。

表1 Ciao數(shù)據(jù)集和Epinions數(shù)據(jù)集的特點

3.1.2 評價指標 在比較本模型與其他比較模型的評分預(yù)測性能時,我們使用兩個指標來評估推薦算法的預(yù)測準確性,即MAE和RMSE。

(16)

(17)

其中,測試集中所有得分邊的權(quán)重用yi表示,測試集中每條得分邊的預(yù)測權(quán)重用xi表示。

3.1.3 基線模型 傳統(tǒng)的推薦算法:PMFcite[5],SocialMF[6],它只使用用戶和項目的潛在因素進行建模。

基于傳統(tǒng)方法的社會推薦:SoReC[7],TrustMF[8],在原先評分信息之上使用社會信息,即同時使用評分信息和社會網(wǎng)絡(luò)信息。

基于深度學(xué)習(xí)的推薦算法:Deep-SoR[9],一種深度社交推薦。

基于圖神經(jīng)網(wǎng)絡(luò)的社交推薦算法: GraphRec[1],GDSRec[10]。

表2 對不同方法的預(yù)測性能進行評級

3.1.4 參數(shù)設(shè)置 我們使用Python 3.8、PyTorch 1.7和Cuda 11作為算法構(gòu)建的環(huán)境。對于每個數(shù)據(jù)集的參數(shù)設(shè)置,0.8被用作學(xué)習(xí)參數(shù)的訓(xùn)練集,0.1被用作優(yōu)化的驗證集,最后0.1被用作測試集。對于嵌入大小,我們測試了[8,16,32,64,128,256]的值,而學(xué)習(xí)率在[ 0.0005,0.001,0.005,0.01,0.05,0.1]之間。對于Bi-Gru來說,層數(shù)不僅決定了模型的復(fù)雜性,也決定了對模型誤差的影響,我們將其設(shè)置為[1,2,3]。

3.2 模塊性能分析

3.2.1 自注意力機制的影響 本文分析和比較了以下2個模型的變體,以證明所提方法的有效性。

3.2.1.1 GFTI-Rec 使用一個自我注意機制來學(xué)習(xí)不同層次的信息(本文中的模型)。

3.2.1.2 GFTI-Rec-1 本文中的自我注意機制被一個由單層神經(jīng)網(wǎng)絡(luò)組成的注意網(wǎng)絡(luò)取代,以證明本文中使用的注意機制的有效性。

3.2.1.3 GFTI-Rec-2 禁用注意層,直接輸入上下文信息,以證明第1層的注意機制對模型在信息過濾中的作用。

圖4 自注意力機制對獲得潛在因子偏差的影響

自我注意α,β,γ:消除了三種自我注意機制,即通過項目聚合、社會聚合和用戶聚合分別對用戶的潛在因子偏差進行建模,通過基于均值的項目聚合函數(shù)對項目空間用戶的潛在因子偏差進行建模,基于均值的社會聚合函數(shù)對用戶的潛在因子偏差進行建模,通過基于均值的項目聚合函數(shù)對項目空間用戶的潛在因子偏差進行建模,基于均值的社會聚合函數(shù)對社會用戶的潛在因子偏差進行建模。

3.2.2 雙向門控單元的影響 我們猜想,模型的復(fù)雜性可能由GRU的類型和GRU層的數(shù)量決定。為了避免過度擬合,我們分別研究了單層GRU、Bi-GRU和LSTM對模型誤差的影響。

從圖5中可以看出,Bi-GRU對數(shù)據(jù)集有較好的推薦作用,而層數(shù)過多則有較嚴重的過擬合現(xiàn)象,層數(shù)過少則削弱了模型的學(xué)習(xí)能力,如果使用單層GRU或LSTM,我們無法達到模型的最佳學(xué)習(xí)能力。

圖5 雙向門控循環(huán)單元對交互建模的影響

我們還研究了不同的超參數(shù)設(shè)置對我們的推薦算法有效性的影響:

(a) 迭代次數(shù)的影響;

(b) 不同批次大小的影響;

(c) 不同丟棄率下Dropout的影響。

圖6(a) 迭代次數(shù)對模型性能的影響

(a)實驗結(jié)果表明,模型的性能隨著迭代次數(shù)的增加而變化,隨著迭代次數(shù)的增加,模型性能先增加后減少。迭代次數(shù)為4時,模型性能最佳。如果迭代次數(shù)太少,模型訓(xùn)練就不能收斂,出現(xiàn)欠擬合。

圖7(b) 不同的批次大小對Ciao和Epinions數(shù)據(jù)集的影響

圖8(c) 在Ciao和Epinions數(shù)據(jù)集上不同丟棄率的Dropout的影響

(b)隨著批處理量的增加,模型的性能并沒有變好,而相對較小的批處理量,再加上一點隨機性,就相當于在學(xué)習(xí)過程中加入了噪聲,從某種意義上說,會有一些典范效應(yīng)。

(c)在大多數(shù)非線性激活單元的輸出和GRU層之間,通過增加一個輟學(xué)層和調(diào)整全局統(tǒng)一輟學(xué)概率,可以使模型在抑制過擬合方面有更好的表現(xiàn)。輟學(xué)概率的變化決定了模型的最佳預(yù)測誤差,當輟學(xué)概率在0.5時,模型將在預(yù)測誤差和過擬合之間達到良好的平衡當輟學(xué)概率在0.5時,模型將在預(yù)測誤差和過擬合之間達到良好的平衡。

4 結(jié)論

可以看出,Epinions數(shù)據(jù)集比Ciao數(shù)據(jù)集有更多的用戶項目互動,而且用戶對特定項目的興趣往往會隨著時間而波動。因此,像PMF和NCF這樣僅僅利用評級信息的模型在Ciao數(shù)據(jù)集上的表現(xiàn)稍好,但像SoRec和Graphrec這樣利用數(shù)據(jù)集的社會關(guān)系的模型在Epinions數(shù)據(jù)集上的表現(xiàn)稍好。相對而言,我們的方法優(yōu)于以前的推薦模型,因為它結(jié)合了社會數(shù)據(jù),并更廣泛地利用了數(shù)據(jù)本身的全局特征。