融合知識(shí)圖譜和評(píng)論文本的個(gè)性化推薦模型*

鄒程輝,李衛(wèi)疆

(1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.昆明理工大學(xué)云南省人工智能重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500)

1 引言

隨著信息化技術(shù)的飛速發(fā)展，世界正在經(jīng)歷新的“網(wǎng)絡(luò)化革命”，人們可以通過(guò)多種方式對(duì)互聯(lián)網(wǎng)進(jìn)行訪問(wèn)，搜索和獲取自己所需要的信息。同時(shí)，網(wǎng)絡(luò)信息呈“爆炸性”增長(zhǎng)，用戶(hù)雖然能夠獲取到更為豐富的信息內(nèi)容，卻很難從信息的海洋中準(zhǔn)確及時(shí)地獲得符合自身需求的信息。因此，“信息過(guò)載”成為了急需解決的難題。

目前推薦模型使用輔助信息進(jìn)行個(gè)性化推薦，輔助信息包括社交網(wǎng)絡(luò)、評(píng)論文本和知識(shí)圖譜等。評(píng)論文本能夠?yàn)橛脩?hù)和項(xiàng)目提供更豐富的信息。融合評(píng)論文本的推薦模型利用CNN(Convolutional Neural Network)[1,2]和注意力機(jī)制[3 - 5]提取文本中的特征并計(jì)算其權(quán)重。知識(shí)圖譜在多個(gè)領(lǐng)域的應(yīng)用都取得了良好的效果，如問(wèn)答系統(tǒng)、詞嵌入和文本分類(lèi)等。目前專(zhuān)業(yè)的知識(shí)圖譜數(shù)據(jù)庫(kù)有NELL、Microsoft Concept Graph[6]和Microsoft Satori 。

本文提出了基于知識(shí)圖譜對(duì)用戶(hù)形象和用戶(hù)興趣建模的個(gè)性化推薦模型MKG-User，本文的貢獻(xiàn)總結(jié)為以下3點(diǎn)：

(1)使用不同類(lèi)型知識(shí)圖譜作為輔助信息，不同類(lèi)型的知識(shí)圖譜能夠從不同角度結(jié)合推薦模型中的數(shù)據(jù)信息進(jìn)行建模。

(2)基于三元組知識(shí)圖譜和用戶(hù)的歷史興趣提出了權(quán)重異構(gòu)圖WHG(Weighted Heterogeneous Graph)。WHG是考慮到現(xiàn)實(shí)中關(guān)系的影響因子構(gòu)建的一種包含用戶(hù)興趣信息的網(wǎng)絡(luò)結(jié)構(gòu)圖。

(3)聯(lián)合概念知識(shí)圖譜和評(píng)論文本，利用神經(jīng)網(wǎng)絡(luò)同時(shí)從概念詞和實(shí)體詞中提取用戶(hù)畫(huà)像特征和用戶(hù)的情感傾向特征，利用用戶(hù)評(píng)論文本構(gòu)建用戶(hù)的形象和情感。

2 相關(guān)工作

2.1 融合知識(shí)圖譜的推薦模型

本節(jié)總結(jié)了幾種主要的融合知識(shí)圖譜推薦模型?；谇度胧降哪Ｐ偷年P(guān)鍵技術(shù)是KGE(Knowledge Graph Embedding)[7]，將知識(shí)圖譜的實(shí)體和關(guān)系映射到低維的向量空間學(xué)習(xí)知識(shí)圖譜中的信息。微軟[8]提出了CKE(Collaborative Knowledge base Embedding)，在協(xié)同過(guò)濾CF(Collaborative Filtering)的基礎(chǔ)上融合了3種輔助信息。Ai等人[9]提出了CFKG(Collaborative Filtering based on user-item Knowledge Graph)模型，該模型預(yù)定義了User-Item重新計(jì)算用戶(hù)和項(xiàng)目之間的距離。Wang等人[10]提出了MKR(Multi-task feature learning for Knowledge graph enhanced Recommendation)模型，利用推薦系統(tǒng)中的物品和知識(shí)圖譜中的實(shí)體存在重合的情況，提出了交叉式的推薦系統(tǒng)模型?；诼?lián)合式的模型兼具了嵌入式和路徑2種方式。Wang等人[11]提出了RippleNet模型，將用戶(hù)的歷史興趣作為種子在知識(shí)圖譜中擴(kuò)展用戶(hù)的興趣集合。Wang等人[12]提出了KGCN(Knowledge Graph Convolutional Networks for recommender systems)模型,利用圖卷積處理知識(shí)圖譜。

2.2 融合評(píng)論文本的推薦模型

評(píng)論文本作為輔助信息是推薦系統(tǒng)研究中的熱點(diǎn)。Kim等人[1]提出了ConvMF(Convolution Matrix Factorization)模型，將商品信息聚合為長(zhǎng)文本用于提取用戶(hù)特征,但是ConvMF僅考慮到了商品的評(píng)論文本，沒(méi)有考慮到用戶(hù)評(píng)論內(nèi)容。Zheng等人[2]提出了DeepCoNN(Deep Cooperative Neural Network)模型，該模型使用2個(gè)并行的CNN網(wǎng)絡(luò)分別從用戶(hù)評(píng)論和商品信息中提取隱含特征。DeepCoNN給后來(lái)的研究提供了很多啟示，其中Chin等人[4]提出了ANR(Aspect-based Neural Recommender)模型，從文本內(nèi)容的角度進(jìn)行建模?；陂L(zhǎng)文本的建模方法對(duì)于用戶(hù)特定領(lǐng)域的興趣效果不佳，因此提出了基于單評(píng)論的建模方法。Chen等人[5]提出了NARRE(Neural Attention rating Regression with Review-level Explanations)模型，針對(duì)不同的評(píng)論根據(jù)其重要性定義了review-level層，通過(guò)自注意力機(jī)制聚合用戶(hù)和商品在review-level層得到的結(jié)果進(jìn)行預(yù)測(cè)。Zhang等人[13]提出了EFM(Explicit Factor Model)模型，根據(jù)用戶(hù)對(duì)物品的評(píng)論，采用情感分析的方法，構(gòu)建了3個(gè)矩陣進(jìn)行預(yù)測(cè)。

3 問(wèn)題定義

本節(jié)主要介紹模型中用到的定義和數(shù)學(xué)符號(hào)。

定義1y為預(yù)測(cè)1個(gè)用戶(hù)對(duì)1個(gè)項(xiàng)目的點(diǎn)擊概率值。

定義3(用戶(hù)畫(huà)像特征) 利用概念知識(shí)圖譜中的概念詞和實(shí)體詞提取到用戶(hù)畫(huà)像特征。

本文使用的數(shù)學(xué)符號(hào)如表1所示。

Table 1 Symbol definition

4 模型

4.1 模型框架

如圖1所示，融合知識(shí)圖譜和評(píng)論文本的個(gè)性化推薦模型由輸入層、嵌入層、特征提取網(wǎng)絡(luò)和決策層組成。輸入層是對(duì)用戶(hù)興趣和用戶(hù)畫(huà)像建模的基礎(chǔ)，在輸入層輸入樣本數(shù)據(jù)和多類(lèi)型的知識(shí)圖譜；在嵌入層中，將輸入的數(shù)據(jù)轉(zhuǎn)化為向量表示,并將其作為特征提取網(wǎng)絡(luò)的輸入；特征提取網(wǎng)絡(luò)是模型的關(guān)鍵，在該層構(gòu)造興趣網(wǎng)絡(luò)和畫(huà)像網(wǎng)絡(luò),分別提取用戶(hù)興趣特征和帶有情感傾向的用戶(hù)畫(huà)像特征；決策層對(duì)用戶(hù)興趣特征和用戶(hù)畫(huà)像特征進(jìn)行處理得到用戶(hù)的表示，使用Sigmoid函數(shù)計(jì)算用戶(hù)點(diǎn)擊概率的預(yù)測(cè)值y。

Figure 1 Framework of MKG-User model圖1 MKG-User模型框架

4.2 輸入層和嵌入層

4.2.1 WHG構(gòu)建

如圖2所示，以電影“Forrest Gump”為起點(diǎn)，在三元組知識(shí)圖譜上以多跳的方式擴(kuò)展用戶(hù)興趣項(xiàng)目，構(gòu)造了關(guān)于 “Forrest Gump”的權(quán)重異構(gòu)圖。

Figure 2 WHG圖2 權(quán)重異構(gòu)圖

受到Wang等人[12]和Cao等人[14]融合知識(shí)圖譜擴(kuò)展用戶(hù)興趣的啟發(fā)，本文使用三元組知識(shí)圖譜構(gòu)造WHG，不僅考慮關(guān)系作為節(jié)點(diǎn)的連接，還考慮關(guān)系的連接性和每一條關(guān)系的權(quán)重。三元組知識(shí)圖譜由h，r和t構(gòu)成，根據(jù)h和r擴(kuò)展t。設(shè)Nl為δ中關(guān)系rl的數(shù)量，N為關(guān)系的種類(lèi)，w_rl為關(guān)系rl的權(quán)重，其計(jì)算如式(1)所示：

(1)

通過(guò)知識(shí)圖譜和用戶(hù)的輸入樣本構(gòu)造WHG，具體過(guò)程如算法1所示

算法1構(gòu)造WHG。

輸入：用戶(hù)歷史興趣Vu、三元組知識(shí)圖譜δ(h，r，t)和計(jì)算的關(guān)系的權(quán)w_rl。

輸出：權(quán)重異構(gòu)信息圖WHG，WHG由多跳的集合(?1，?2，?3，…,?k)構(gòu)成，其中k代表多跳的次數(shù)。

Step1將用戶(hù)歷史興趣Vu送進(jìn)δ(h0，r0，t0)，生成在知識(shí)圖譜中擴(kuò)展的種子h0，其中h0=Vu。

Step2對(duì)h0,在知識(shí)圖譜中根據(jù)關(guān)系r0得到擴(kuò)展的節(jié)點(diǎn)t0。

Step3得到h0在第1跳中所有的節(jié)點(diǎn)t0構(gòu)成第1跳的集合?1(h0,r0,t0)。

Step4將第1跳擴(kuò)展的t0,作為下一跳的頭實(shí)體h1進(jìn)行第2跳擴(kuò)展t1，得到第2跳的集合?2。

Step5重復(fù)操作Step 4，得到下一跳的集合?k。

Step6經(jīng)過(guò)多次擴(kuò)展得到擴(kuò)展集合(?1，?2，?3，…,?k)，根據(jù)在知識(shí)圖譜中得到的關(guān)系的權(quán)重w_rl對(duì)每一跳集合中的關(guān)系賦值 ，得到新的集合(?1，?2，?3，…,?k)，其中?k的組成為(hk，w_rl_rk,tk)。

Step7得到賦值后的異構(gòu)網(wǎng)絡(luò)圖WHG。

Step8Return WHG。

4.2.2 概念知識(shí)圖譜

從用戶(hù)評(píng)論文本中提取實(shí)體詞的過(guò)程如式(2)所示：

(2)

其中,Ej代表1個(gè)用戶(hù)對(duì)1個(gè)項(xiàng)目的評(píng)論文本中實(shí)體詞集合，n為實(shí)體詞數(shù)量，Traverse(·)代表映射方法。

根據(jù)實(shí)體詞得到與用戶(hù)有關(guān)概念的公式如式(3)所示：

(3)

4.2.3 嵌入層

在輸入層得到WHG、評(píng)論文本以及概念詞和實(shí)體詞，其中評(píng)論文本和概念作為語(yǔ)句序列，為了保留句子的上下文關(guān)系，采用word2vec[15]技術(shù)預(yù)訓(xùn)練得到文本的詞向量字典。對(duì)輸入的文本內(nèi)容(Rev，En，Gn),根據(jù)詞向量字典得到向量表示，Rev由詞向量集合O={O1，O2，O3，…,On}構(gòu)成，Gn的所有概念詞向量表示集合為g={g1，g2，g3，…,gd},En的所有實(shí)體詞向量表示集合為e={e1，e2，e3，…,ed}。d為向量維度。同時(shí)，為了體現(xiàn)出句子中實(shí)體詞的影響程度，對(duì)句向量中的實(shí)體詞利用自注意力機(jī)制來(lái)更新其權(quán)重，如式(4)所示：

(4)

評(píng)論文本由于句子長(zhǎng)度不同，為了保存句子的完整信息，以及方便模型處理文本，根據(jù)更新權(quán)重后的詞向量集合計(jì)算評(píng)論文本的句向量，如式(5)所示:

(5)

其中,senvec={sen1，sen2，…,send}為句向量表示，n為評(píng)論文本中詞的數(shù)量，對(duì)不屬于實(shí)體詞的單詞Att(Ej,O)=1。

由于每條評(píng)論文本中的實(shí)體詞數(shù)量也不同，為了方便模型處理，同時(shí)不丟失概念詞和實(shí)體詞，本文分別取g和e的均值向量表示作為概念詞和實(shí)體記號(hào)的向量表示,如式(6)所示：

(6)

對(duì)輸入WHG中的三元組{hk，rk，tk}和輸入用戶(hù)初始感興趣的項(xiàng)目v,經(jīng)過(guò)embedding層轉(zhuǎn)換為詞向量表示，其中hk={h1，h2，h3，…,hd},rk={r1，r2，r3，…,rd},tk={t1，t2，t3，…,td}，v={v1，v2，v3，…,vd}。

4.3 特征提取網(wǎng)絡(luò)

4.3.1 興趣網(wǎng)絡(luò)

如圖3所示，興趣網(wǎng)絡(luò)由興趣注意力機(jī)制和全連接層組成。

Figure 3 Interest network圖3 興趣網(wǎng)絡(luò)

本文提出用于模擬用戶(hù)興趣偏好的興趣注意力機(jī)制。如圖4所示，根據(jù)構(gòu)造的WHG中的實(shí)體與關(guān)系，使用Softmax函數(shù)計(jì)算用戶(hù)的興趣偏好值。

Figure 4 Interest attention mechanism圖4 興趣注意力機(jī)制

根據(jù)WHG得到用戶(hù)過(guò)去的興趣Rh和擴(kuò)展的興趣Vt，如式(7)所示。根據(jù)Rh和Vt計(jì)算用戶(hù)的興趣偏好值，計(jì)算過(guò)程如式(8)所示：

(7)

Interestw=Sofmax{Deep[σ(Rh⊕Vt)]}

(8)

其中，Interestw為用戶(hù)興趣值，Deep[σ(Rh⊕Vt)]用于得到用戶(hù)的共享興趣特征，σ(·)為ReLU激活函數(shù)。

通過(guò)興趣注意力機(jī)制對(duì)用戶(hù)在WHG中每一跳擴(kuò)展的實(shí)體添加了興趣偏好值Interestw，然后利用全連接層提取用戶(hù)的興趣特征{I1，I2，I3，…，Ik}，Deep(hk,w_rl_rk,tk)代表利用全連接層提取1組三元組興趣特征。InterestI代表用戶(hù)興趣特征表示,k代表興趣特征的數(shù)量，用戶(hù)興趣特征的提取過(guò)程如式(9)所示：

0

(9)

4.3.2 畫(huà)像網(wǎng)絡(luò)

畫(huà)像網(wǎng)絡(luò)從評(píng)論文本、概念和實(shí)體詞中提取帶有情感傾向的畫(huà)像特征，在輸入層關(guān)聯(lián)概念知識(shí)圖譜得到評(píng)論文本中的實(shí)體詞向量e、概念向量g以及句向量{sen1，sen2，sen3，…,send}。如圖5所示，畫(huà)像網(wǎng)絡(luò)由畫(huà)像模塊和情感模塊組成，畫(huà)像模塊采用雙通道的深度ResNet(Deep Residual Network)[16]并行處理概念集合和實(shí)體詞集合,從中抽取用戶(hù)形象特征；情感模塊采用Bi-LSTM[17]計(jì)算評(píng)論文本中的情感傾向。

Figure 5 Portrait network圖5 畫(huà)像網(wǎng)絡(luò)

將概念向量經(jīng)過(guò)卷積操作壓縮特征，將概念向量g與卷積核ke進(jìn)行卷積運(yùn)算。壓縮過(guò)程為如式(10)：

xi=σ(g*ke+b)

(10)

其中,ke為卷積核，大小為7，步長(zhǎng)為2;*為卷積操作;b為偏置值。池化操作得到的向量輸入到ResNet，池化操作如式(11)所示：

x=max(x1,x2,…,xi)

(11)

殘差單元的計(jì)算過(guò)程分為2步：卷積過(guò)程和恒等映射Im(Identity mapping)，計(jì)算過(guò)程分別如式(12)和式(13)所示：

(12)

Im=σ[conv(x*ke+b)]

(13)

其中卷積核ke的大小分別為1,3和1，步長(zhǎng)為1,c為卷積過(guò)程的向量。

殘差單元的最終輸出如式(14)所示：

fg(c,Im)=add(c,Im)

(14)

(15)

(16)

如圖6所示，情感模塊由雙向長(zhǎng)短期記憶Bi-LSTM網(wǎng)絡(luò)和隱含層構(gòu)成，輸入為句向量senvec。LSTM單元有遺忘門(mén)、更新門(mén)和輸出門(mén)3種門(mén)控機(jī)制。

Figure 6 Emotion module圖6 情感模塊

(17)

Saw=softmax{σ[deep(Sd)]}

(18)

將Saw與畫(huà)像特征相乘，得到帶有情感傾向的用戶(hù)畫(huà)像特征，計(jì)算公式如式(19)所示：

(19)

4.4 決策層

通過(guò)特征提取網(wǎng)絡(luò)得到用戶(hù)的興趣特征和帶有情感傾向的用戶(hù)畫(huà)像特征，對(duì)2種特征進(jìn)行融合得到用戶(hù)的表示user·Pi，融合的過(guò)程見(jiàn)式(20)。通過(guò)全連接層來(lái)計(jì)算用戶(hù)表示和用戶(hù)初始感興趣的項(xiàng)目v之間的相似度，使用sigmoid函數(shù)計(jì)算預(yù)測(cè)概率y,如式(21)所示。

user·Pi=InterestI·Userp

(20)

y=sigmoid{sum[user·Pi×deep(v)}

(21)

5 實(shí)驗(yàn)

5.1 數(shù)據(jù)集

本文選用Amazon數(shù)據(jù)集[18]進(jìn)行實(shí)驗(yàn)評(píng)估。該數(shù)據(jù)集包含了用戶(hù)對(duì)網(wǎng)站商品的評(píng)價(jià)信息和商品的元數(shù)據(jù)，評(píng)分在1～5，數(shù)據(jù)的時(shí)間跨度為1995年6月到2013年3月。本文在Amazon數(shù)據(jù)集中選擇了電影、圖書(shū)和音樂(lè)3個(gè)領(lǐng)域的數(shù)據(jù)集。

本文使用2種類(lèi)型的知識(shí)圖譜：(1)概念知識(shí)圖譜使用的是2016年微軟研究院發(fā)布的Microsoft Concept Knowledge Graphs，通過(guò)人類(lèi)意識(shí)常識(shí)概念進(jìn)行構(gòu)建，包含540萬(wàn)條概念和相關(guān)實(shí)體;(2)三元組知識(shí)圖譜,包括從Microsoft Satori抽取到的有關(guān)電影、圖書(shū)和音樂(lè)領(lǐng)域的實(shí)體和關(guān)系,其中電影三元組知識(shí)圖譜中有2 444類(lèi)有關(guān)電影的實(shí)體節(jié)點(diǎn)，12種連接關(guān)系；圖書(shū)三元組知識(shí)圖譜中有14 966類(lèi)有關(guān)圖書(shū)的實(shí)體節(jié)點(diǎn)，16種連接關(guān)系；音樂(lè)三元組知識(shí)圖譜中有3 845類(lèi)有關(guān)音樂(lè)的實(shí)體節(jié)點(diǎn)，36種連接關(guān)系。

表2展示了數(shù)據(jù)集關(guān)聯(lián)知識(shí)圖譜后的數(shù)據(jù)信息。可以看到，在三元組知識(shí)圖譜中經(jīng)過(guò)多跳擴(kuò)展用戶(hù)感興趣的項(xiàng)目的數(shù)量和種類(lèi)在逐漸增加，可用于解決推薦系統(tǒng)的數(shù)據(jù)稀疏問(wèn)題。

Table 2 Multi-hop expansion on the triple knowledge graph

本文隨機(jī)將數(shù)據(jù)集劃分為訓(xùn)練集(60%)、驗(yàn)證集(20%)和測(cè)試集(20%)。在實(shí)驗(yàn)數(shù)據(jù)集中評(píng)分為1到5，根據(jù)Amazon數(shù)據(jù)集評(píng)分的分布將閾值設(shè)置為4,保證正負(fù)樣本的分布均勻，以此將數(shù)據(jù)集劃分為正負(fù)樣本后用于構(gòu)建CTR模型。

5.2 評(píng)價(jià)指標(biāo)

本文選取AUC(Area Under the Curve)作為評(píng)價(jià)指標(biāo)，如式(22)所示：

(22)

其中,M和F為正樣本和負(fù)樣本的數(shù)量；rankinsi表示第i條樣本的序號(hào)；∑insi∈positiveclassrankinsi表示正樣本的序號(hào)加起來(lái)。

其它評(píng)價(jià)指標(biāo)Precision、Recall和F1的計(jì)算如式(23)～式(25)所示：

(23)

(24)

(25)

其中,TP表示把正樣本成功預(yù)測(cè)為正的次數(shù)；TN表示把負(fù)樣本成功預(yù)測(cè)為負(fù)的次數(shù)；FP表示把負(fù)樣本錯(cuò)誤預(yù)測(cè)為正的次數(shù)；FN表示把正樣本錯(cuò)誤預(yù)測(cè)為負(fù)的次數(shù)。

5.3 Baseline模型

為了評(píng)估MKG-User模型的性能，將其與以下比較優(yōu)秀的模型進(jìn)行對(duì)比：

(1)DeepFM[19]。經(jīng)典的神經(jīng)網(wǎng)絡(luò)推薦模型，使用FM和MLP分別處理用戶(hù)的低維和高維特征。

(2)CKE[8]。融合知識(shí)圖譜的經(jīng)典模型，通過(guò)KGE得到結(jié)構(gòu)類(lèi)型的知識(shí)圖的向量表示后進(jìn)行預(yù)測(cè)。

(3)RippleNet[11]。 借鑒了水波擴(kuò)散的現(xiàn)象，基于用戶(hù)歷史興趣在知識(shí)圖譜中擴(kuò)展用戶(hù)的興趣，計(jì)算用戶(hù)點(diǎn)擊候選項(xiàng)目的概率。

(4)MKR[10]。利用推薦系統(tǒng)中的用戶(hù)和項(xiàng)目能夠與三元組知識(shí)圖譜中的節(jié)點(diǎn)匹配，設(shè)計(jì)交互網(wǎng)絡(luò)將節(jié)點(diǎn)和用戶(hù)、項(xiàng)目進(jìn)行交互，進(jìn)行點(diǎn)擊率預(yù)測(cè)。

(5)KGCN[12]。在知識(shí)圖譜中找到相關(guān)的實(shí)體節(jié)點(diǎn)，對(duì)節(jié)點(diǎn)進(jìn)行聚合，然后利用圖卷積技術(shù)擴(kuò)展信息后用于點(diǎn)擊率預(yù)測(cè)。

(6)ConvMF[1]。利用CNN從商品評(píng)論信息中提取商品的隱含特征,作為評(píng)分矩陣的額外信息，基于高斯分布進(jìn)行評(píng)分預(yù)測(cè)。

(7)ANR[4]。從方面角度對(duì)長(zhǎng)文本進(jìn)行建模，然后用注意力計(jì)算方面的權(quán)重。

(8)NARRE[5]。 NARRE考慮到評(píng)論文本的重要程度，提出了review-level來(lái)刻畫(huà)評(píng)論的權(quán)重，再利用注意力進(jìn)行最后的推薦預(yù)測(cè)。

5.4 參數(shù)設(shè)置

本文使用word2vec訓(xùn)練詞向量,維度(d)為300，窗口大小為3。損失函數(shù)是均方根誤差損失函數(shù)，優(yōu)化器選擇的是Adam，學(xué)習(xí)率為0.01。如表3所示，為了達(dá)到最佳性能，對(duì)3個(gè)數(shù)據(jù)集中的參數(shù)進(jìn)行了微調(diào)。Hop-size為構(gòu)建權(quán)重異構(gòu)信息圖多跳次數(shù)，Kg-size為擴(kuò)展異構(gòu)知識(shí)圖譜的大小,α和β為模型學(xué)習(xí)率,L2為正則化參數(shù)。進(jìn)行實(shí)驗(yàn)時(shí)，選擇K值為10，32,64,100。

Table 3 Parameters setting

5.5 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)?zāi)康氖球?yàn)證融合知識(shí)圖譜和評(píng)論文本對(duì)用戶(hù)興趣和用戶(hù)形象進(jìn)行建模能夠提升模型的性能，使用AUC、Precision和F1作為評(píng)價(jià)指標(biāo)。

實(shí)驗(yàn)結(jié)果見(jiàn)表4。在AUC和Precision和F1上，本文提出的模型在數(shù)據(jù)集上都得到了最好結(jié)果。MKG-User模型的AUC分別達(dá)到了0.969,0.925和0.887，與Baseline中最好的結(jié)果相比分別提高了4.8%，18.8%和2.1%。本文模型與融合知識(shí)圖譜的模型相比，在電影數(shù)據(jù)集上，AUC提高了4.8%，Precision和F1分別提高了6.8%和6.9%；在圖書(shū)數(shù)據(jù)集上，AUC提高了19.6%，Precision和F1分別提高了3.8%和19.4%；在音樂(lè)數(shù)據(jù)集上，AUC提高6.8%，Precision和F1分別提高了0.1%和12.2%。本文模型與融合評(píng)論文本的模型在AUC、Precision和F1上相比，在電影數(shù)據(jù)集上分別提高了6.5%,9.0%和8.9%，在圖書(shū)數(shù)據(jù)集上分別提高了18.8%,7.8%和15.5%;在音樂(lè)數(shù)據(jù)集上，AUC提高了2.1%，Precision和F1分別提高了1.0%和6.3%。在不同數(shù)據(jù)集上與不同類(lèi)型模型進(jìn)行比較，驗(yàn)證了MKG-User使用評(píng)論文本和知識(shí)圖譜能夠提升推薦模型的性能，同時(shí)還說(shuō)明對(duì)用戶(hù)形象和用戶(hù)興趣進(jìn)行建模能夠提升推薦系統(tǒng)的效果。為了驗(yàn)證模型的穩(wěn)定性，MKG-User-avg是對(duì)10次實(shí)驗(yàn)結(jié)果取平均值。

Table 4 Comparison of experimental results

Figure 7 TopK experimental results on movie dataset圖7 電影數(shù)據(jù)集上的TopK實(shí)驗(yàn)結(jié)果

Figure 8 TopK experimental results on book dataset圖8 圖書(shū)數(shù)據(jù)集上的TopK實(shí)驗(yàn)結(jié)果

5.6 TopK實(shí)驗(yàn)結(jié)果與分析

本節(jié)在Amazon的電影和圖書(shū)2個(gè)數(shù)據(jù)集上對(duì)模型進(jìn)行TopK實(shí)驗(yàn)，評(píng)價(jià)指標(biāo)為Precision@K、Recall@K和F1@K。實(shí)驗(yàn)結(jié)果如圖7和圖8所示。

從圖7和圖8可知，本文提出的模型達(dá)到了很好的效果。由于Precision和Recall側(cè)重點(diǎn)不同，評(píng)價(jià)性能的方面也不同。因此,本節(jié)還選擇F1評(píng)價(jià)指標(biāo)，F(xiàn)1綜合了2種評(píng)價(jià)指標(biāo)。從3個(gè)指標(biāo)驗(yàn)證了本文模型達(dá)到了最好的效果，表明模型在TopK實(shí)驗(yàn)中有很好的性能，能為用戶(hù)提供更準(zhǔn)確的推薦。

5.7 參數(shù)敏感性分析

本文選擇Hop-size和Kg-size2個(gè)參數(shù)來(lái)評(píng)估其對(duì)模型性能的影響，在Amazon數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證。Hop-size是根據(jù)用戶(hù)的歷史興趣擴(kuò)展用戶(hù)興趣的跳數(shù)，其大小代表擴(kuò)展用戶(hù)興趣的遠(yuǎn)近。Kg-size是在WHG中得到的用戶(hù)節(jié)點(diǎn)的數(shù)量，用于確定能夠得到多少用戶(hù)興趣特征。表5所示為Hop-size在1～4時(shí)AUC的實(shí)驗(yàn)結(jié)果。表6所示為Kg-size取8,16,32和64時(shí)對(duì)模型性能的影響。

Table 5 Impact of Hop-size on the model

Table 6 Impact of KG-size on the model

5.8 興趣網(wǎng)絡(luò)的有效性

本文還在電影數(shù)據(jù)集上驗(yàn)證了興趣網(wǎng)絡(luò)的有效性，表明在融合知識(shí)圖譜的推薦模型中關(guān)系的影響因素和用戶(hù)興趣偏好可以提高推薦模型的效果。

實(shí)驗(yàn)結(jié)果如表7所示,MKG-User(knowledge graph)表示興趣網(wǎng)絡(luò)加入了WHG和興趣注意力機(jī)制。

從表7可以看出，考慮關(guān)系的影響因素和用戶(hù)的興趣偏好后能夠增強(qiáng)推薦系統(tǒng)的性能。為了體現(xiàn)用戶(hù)興趣偏好的變化過(guò)程，對(duì)興趣注意力機(jī)制進(jìn)行可視化，如圖9所示。

Table 7 Impact of WHG

Figure 9 Visualization of attention mechanism 圖9 注意力機(jī)制可視化

5.9 畫(huà)像網(wǎng)絡(luò)的有效性

MKG-User(Portrait)在MKG-User(knowledge graph)中添加雙通道ResNet，融合評(píng)論文本和概念知識(shí)圖譜提取畫(huà)像特征。在電影數(shù)據(jù)集上與MKG-User(knowledge graph)進(jìn)行對(duì)比驗(yàn)證，實(shí)驗(yàn)結(jié)果如表8所示。

Table 8 Effectiveness of the portrait network

在畫(huà)像網(wǎng)絡(luò)中考慮評(píng)論文本中的情感傾向，添加了情感模塊，驗(yàn)證Bi-LSTM提取的情感傾向值的有效性。實(shí)驗(yàn)結(jié)果如表9所示。

Table 9 Portrait network performance after adding emotional inclinations

從表8和表9可知，利用評(píng)論文本和概念知識(shí)圖譜構(gòu)造帶有情感傾向的用戶(hù)畫(huà)像特征，根據(jù)得到的用戶(hù)畫(huà)像特征可解決推薦系統(tǒng)中的數(shù)據(jù)稀疏問(wèn)題，提高了推薦效果。

6 結(jié)束語(yǔ)

本文提出了MKG-User模型，利用用戶(hù)交互的項(xiàng)目結(jié)合三元組知識(shí)圖譜提取用戶(hù)的興趣特征，利用評(píng)論文本和概念知識(shí)圖譜提取用戶(hù)畫(huà)像特征，有效提升了推薦效果。同時(shí)，本文提出了利用興趣注意力機(jī)制提取更符合用戶(hù)自身興趣的特征；采用雙通道ResNet和Bi-LSTM提取帶有情感傾向的用戶(hù)畫(huà)像特征。今后將在2個(gè)方面繼續(xù)開(kāi)展研究：(1)本文在構(gòu)建用戶(hù)畫(huà)像特征時(shí)沒(méi)有考慮用戶(hù)的統(tǒng)計(jì)信息，如何將用戶(hù)的統(tǒng)計(jì)信息融合到用戶(hù)畫(huà)像特征中是下一步要解決的問(wèn)題；(2)用戶(hù)的興趣是動(dòng)態(tài)變化的，如何考慮利用用戶(hù)興趣的變化來(lái)優(yōu)化推薦模型也是下一步工作之一。