摘 要：目前電商平臺(tái)大多注重商品推薦的準(zhǔn)確性而忽略了多樣性，存在推薦結(jié)果高冗余、用戶滿意度低等問(wèn)題。考慮用戶需求從而實(shí)現(xiàn)多樣性推薦可以提升商品購(gòu)買率和用戶滿意度，為此本文提出了一種面向用戶需求的生成對(duì)抗網(wǎng)絡(luò)多樣性推薦方法。該方法由生成模型和判別模型組成，其中，生成模型由四層結(jié)構(gòu)組成，結(jié)合用戶需求生成多樣性商品表示。判別模型判定生成商品是否為真實(shí)商品，反饋給生成模型。最后，計(jì)算各商品與多樣性商品表示的相似度，產(chǎn)生推薦列表。對(duì)比實(shí)驗(yàn)表明本文所提方法切實(shí)能夠提高商品推薦的多樣性，而且能夠帶來(lái)準(zhǔn)確性的提升。
關(guān)鍵詞：個(gè)性化推薦，多樣性，生成對(duì)抗網(wǎng)絡(luò)，商品屬性，用戶需求
引言
隨著移動(dòng)互聯(lián)和大數(shù)據(jù)技術(shù)的飛速發(fā)展，網(wǎng)購(gòu)行業(yè)日漸成熟，電子商務(wù)作為新興產(chǎn)業(yè)在我國(guó)迅速崛起，從經(jīng)濟(jì)體系的占比來(lái)看，電商產(chǎn)業(yè)已經(jīng)成為了我國(guó)的一大經(jīng)濟(jì)支柱。為了使電商產(chǎn)業(yè)健壯發(fā)展，大多數(shù)平臺(tái)采取融合推薦算法的方式，形成電商推薦系統(tǒng)，從而更好地服務(wù)消費(fèi)者。然而，現(xiàn)有電商推薦系統(tǒng)過(guò)多注重推薦的準(zhǔn)確性而缺少對(duì)多樣性的深入思考，使得推薦結(jié)果過(guò)于冗余、用戶體驗(yàn)感較差，無(wú)法進(jìn)一步激起消費(fèi)者購(gòu)物欲望。
網(wǎng)絡(luò)大數(shù)據(jù)論文：基于復(fù)雜網(wǎng)絡(luò)的圖情檔學(xué)科文獻(xiàn)熱點(diǎn)挖掘
其實(shí)，相比于準(zhǔn)確性，多樣性對(duì)于用戶和商家擁有更大的意義和價(jià)值。對(duì)于用戶來(lái)說(shuō)，多樣性推薦使得推薦列表足夠豐富，節(jié)省用戶檢索時(shí)間并拓寬了用戶的視野。對(duì)于商家來(lái)說(shuō)，多樣性推薦不僅能使更多產(chǎn)品得到推薦，而且能夠深層挖掘用戶興趣，增加用戶粘性，提升交易率從而獲取更多利益。在多樣性研究中，有學(xué)者認(rèn)為商品的分布服從長(zhǎng)尾分布，推薦的商品多數(shù)集中于熱門商品，而冷門商品鮮少有被推薦，適當(dāng)提升冷門商品的推薦比例可以很好地解決推薦樣式過(guò)于單一的問(wèn)題[1-3]。
鄧明通等人定義受長(zhǎng)尾分布約束的商品疲勞函數(shù)，并引入時(shí)間衰減函數(shù)調(diào)整用戶評(píng)分，最終將矩陣分解和商品疲勞函數(shù)結(jié)合，有效提升了冷門商品的推薦占比[4]。Zheng 等人認(rèn)為多樣性推薦列表內(nèi)的商品應(yīng)該存在較低的相似性，引入 DRN 網(wǎng)絡(luò)學(xué)習(xí)用戶偏好及新聞動(dòng)態(tài)特征，根據(jù)用戶反饋實(shí)時(shí)更新，使得推薦的新聞均反映不同的事件[5]。關(guān)于商品多樣性推薦，現(xiàn)有研究通過(guò)推薦更多冷門商品或是降低推薦列表內(nèi)商品的相似度來(lái)提升推薦的多樣性，并未考慮用戶的偏好和具體需求，導(dǎo)致推薦的多樣性與準(zhǔn)確性相矛盾。本文認(rèn)為深入分析具有多樣性需求用戶的偏好，從商品的多個(gè)屬性層面滿足用戶的需求可以實(shí)現(xiàn)推薦多樣性和準(zhǔn)確性的統(tǒng)一。
為此，本文提出了一種面向用戶需求的生成 對(duì) 抗 網(wǎng) 絡(luò) 多 樣 性 推 薦 方 法 ( UR-GAN ， generativeadversarial network diversity recommendation method orientedto user requirement)，該方法由生成模型和判別模型組成，其中，生成模型由四層結(jié)構(gòu)組成，同時(shí)結(jié)合用戶需求，生成多樣性商品表示;判別模型判定生成商品是否為真實(shí)商品，反饋給生成模型。最后，計(jì)算各商品與多樣性商品表示的相似度，產(chǎn)生推薦列表。經(jīng)對(duì)比實(shí)驗(yàn)驗(yàn)證，本文所提方法由于采用多生成器網(wǎng)絡(luò)結(jié)構(gòu)，能夠處理商品的多個(gè)屬性特征以實(shí)現(xiàn)多樣性推薦，并且結(jié)合用戶需求使推薦結(jié)果既具有多樣性，又帶來(lái)準(zhǔn)確性的提升。 相關(guān)工作在推薦算法中，矩陣分解作為最經(jīng)典的算法，被廣泛應(yīng)用于電商領(lǐng)域，后續(xù)大量的研究以此為基礎(chǔ)進(jìn)行多樣性的改進(jìn)[6]。
李衛(wèi)疆等人通過(guò)核密度估計(jì)的方式找到同興趣的用戶，用興趣用戶的評(píng)分?jǐn)U充評(píng)分矩陣，之后進(jìn)行矩陣分解，得到的推薦列表包含了興趣用戶的商品從而實(shí)現(xiàn)多樣性[7]。Gogna 等人基于低秩矩陣分解算法，引入電影類別元數(shù)據(jù)，通過(guò)添加正則項(xiàng)作為約束，使得不同類別的平均評(píng)分服從均勻分布以實(shí)現(xiàn)電影類別的多樣性[8]。有學(xué)者將用戶-商品二部圖引入到多樣性推薦研究，通過(guò)將用戶和商品抽象成圖中的點(diǎn)，點(diǎn)間連線代表兩者之間存在關(guān)系，通過(guò)連線進(jìn)行資源的分配，最終用戶得到資源完成推薦。An 等人利用活躍性提取虛擬專家，為專家分配更多的資源，然后專家將更多的資源轉(zhuǎn)移到更大范圍的商品中從而完成多樣性推薦[9]。
Yu 等人通過(guò)信任者的能力和用戶對(duì)信任者的確定性定義信任度，之后用新穎性需求和多樣性需求量化用戶總體需求，通過(guò)信任度控制資源轉(zhuǎn)移的數(shù)量實(shí)現(xiàn)多樣性推薦[10]。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，多樣性推薦的研究也逐漸融入各種深層網(wǎng)絡(luò)，如 CNN、RNN、GAN 等[11-13]。傅魁等人利用LSTM 建模用戶的正、負(fù)反饋，對(duì)深度 Q 網(wǎng)絡(luò)進(jìn)行改進(jìn)，保證了推薦的穩(wěn)定性[14]。秦婧等人針對(duì)長(zhǎng)尾物品構(gòu)建了 CNN 模型，通過(guò)將長(zhǎng)尾物品替換熱門物品來(lái)實(shí)現(xiàn)長(zhǎng)尾推薦[15]。
Wu 等人通過(guò)DPP 概率用模型得到核矩陣獲取不同商品的共現(xiàn)，之后運(yùn)用GAN 通過(guò)一組物品學(xué)習(xí)用戶的多樣性偏好[16]。盡管上述方法在多樣性推薦上都有不同程度的改善，但都僅關(guān)注單一層面的多樣性，缺少對(duì)商品多屬性層面的深入分析，并且未考慮用戶的多樣性需求。綜上，本文運(yùn)用深度學(xué)習(xí)技術(shù)對(duì)商品多樣性推薦開展研究，改進(jìn)傳統(tǒng)生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)，將單個(gè)生成器擴(kuò)展為多個(gè)，使其能夠處理不同的商品屬性，從而實(shí)現(xiàn)多屬性層面上的多樣性推薦。
生成模型的輸入為用戶交互商品的屬性信息，即用戶屬性交互向量，輸出為多樣性商品表示，該商品表示從多個(gè)屬性方面生成，能充分反映用戶需求。由多個(gè)生成器組成，其中每個(gè)生成器對(duì)應(yīng)一個(gè)商品屬性，并且每個(gè)生成器均以多樣性推薦為目標(biāo)，使得推薦的商品覆蓋更多不同的屬性。這樣，每個(gè)生成器都能從不同屬性角度生成潛在商品特征。同時(shí)，考慮用戶需求，引入的思想是每個(gè)屬性都包含不同的特定值，而每個(gè)特定值并不應(yīng)該是均等的，如面對(duì)不同的用戶及不同的場(chǎng)景時(shí)應(yīng)賦予不同的權(quán)重，以區(qū)分不同特征值的重要性。
在生成對(duì)抗網(wǎng)絡(luò)中，為了訓(xùn)練更加健壯的生成器，需要判別器不斷促進(jìn)生成器迭代訓(xùn)練。判別模型試圖區(qū)分生成商品與真實(shí)商品，并將結(jié)果反饋給生成模型，促使生成模型生成的商品表示更加趨近于真實(shí)商品。本文所提方法根據(jù)用戶購(gòu)買記錄內(nèi)的商品屬性信息，并結(jié)合用戶需求預(yù)測(cè)用戶多樣性偏好商品，最終以商品列表的形式進(jìn)行推薦。為了驗(yàn)證本文所提方法的綜合性能，在準(zhǔn)確性和多樣性兩類評(píng)價(jià)指標(biāo)上進(jìn)行對(duì)比實(shí)驗(yàn)。
選取以下方法作為對(duì)比方法進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證本文所提方法的性能優(yōu)勢(shì)。
(1)DRMUD[4]：基于用戶偏好和動(dòng)態(tài)興趣的多樣性推薦方法，該方法改進(jìn)傳統(tǒng)的矩陣分解算法，引入時(shí)間衰減函數(shù)動(dòng)態(tài)調(diào)整用戶評(píng)分，將商品疲勞函數(shù)與矩陣分解融合，從而增加對(duì)冷門產(chǎn)品的推薦以提高多樣性。
(2)TrAd[10]：一種用戶商品二部圖的自適應(yīng)信任感知推薦方法，利用用戶間的信任關(guān)系量化用戶多樣性需求，使得在資源分配的過(guò)程中，減少流行商品的資源，增加信任用戶的資源轉(zhuǎn)移。
(3)PD-GAN[16]：將 DPP 算法與生成對(duì)抗網(wǎng)絡(luò)結(jié)合，同時(shí)學(xué)習(xí)用戶對(duì)單個(gè)物品的偏好及對(duì)一組物品的多樣性偏好，使得生成器生成的商品既符合相關(guān)性又體現(xiàn)多樣性。由于商品屬性選取了類別、價(jià)格、品牌，生成器與商品屬性對(duì)應(yīng)，所以生成器的個(gè)數(shù)設(shè)置為 3。
對(duì)于方法中的權(quán)重項(xiàng)和偏執(zhí)項(xiàng)以及生成器和判別器中的初始化權(quán)重，均采用隨機(jī)初始化方法。生成器和判別器的隱藏層數(shù)選取范圍{1、2、3、4、5}，隱藏層內(nèi)的神經(jīng)元數(shù)目為{100、200、300、400、500}，其中每個(gè)神經(jīng)網(wǎng)絡(luò)的激活函數(shù)使用 sigmoid 函數(shù)。由于生成模型的輸入用戶-屬性向量為離散值，所以每個(gè)生成器設(shè)置為可訓(xùn)練的嵌入矩陣。每次訓(xùn)練的批量大小選取{128、256、512、1024}，學(xué)習(xí)率使用{1E-05、1E-04、1E-03、1E-02、1E-01}。
實(shí)驗(yàn) 1：多樣性分析所有的生成器均以多樣性推薦為目標(biāo)，使得推薦列表內(nèi)的商品盡可能的多樣化。對(duì)于類別生成器，其關(guān)注所有的商品類別，使得最終推薦的商品覆蓋種類足夠豐富。對(duì)于品牌生成器，考慮用戶需求，將未交互過(guò)的品牌占比設(shè)置為 ，交互過(guò)的品牌占比設(shè)置為 1- 。最后，對(duì)于價(jià)格生成器，首先計(jì)算每個(gè)類別下商品的價(jià)格均值，對(duì)于大于均值的商品定義為高價(jià)格商品，對(duì)于小于等于均值的商品定義為低價(jià)格商品。之后，統(tǒng)計(jì)用戶所有交互商品的價(jià)格，計(jì)算高價(jià)格商品和低價(jià)格商品的比例作為價(jià)格生成器所關(guān)注的價(jià)格比重。
為了選擇品牌生成器中合適的值，選取推薦列表長(zhǎng)度為 10 進(jìn)行實(shí)驗(yàn)，在內(nèi)部多樣性和總體多樣性上的結(jié)果。按理值越大，最終推薦的商品越多樣化，但是發(fā)現(xiàn)當(dāng)>0.7 后多樣性指標(biāo)反而不再上升。通過(guò)分析數(shù)據(jù)集發(fā)現(xiàn)，每個(gè)品牌均包含多種類別的商品，對(duì)于新的品牌，它所包括的商品類別已經(jīng)在之前的品牌中出現(xiàn)了，所以并不會(huì)造成多樣性的進(jìn)一步提升。同時(shí)，用戶交互過(guò)的品牌也代表用戶的品牌偏好，應(yīng)在最終的推薦品牌中有所體現(xiàn)。本文所提方法與對(duì)比方法在多樣性指標(biāo)上的表現(xiàn)，分別選取 Top-N 列表長(zhǎng)度為 10 和 20，在三個(gè)數(shù)據(jù)集上進(jìn)行試驗(yàn)。
本文所提方法的多樣性推薦性性能均優(yōu)于其他方法，其中，由于 Toys_and_Games 數(shù)據(jù)集商品種類最多，所以取得了最佳的效果。對(duì)比發(fā)現(xiàn)，對(duì)于改進(jìn)傳統(tǒng)矩陣分解算法的 DRMUD，在多樣性推薦性能上效果整體不佳，由于其僅僅是提升冷門商品的推薦比重，而對(duì)于總體推薦列表的類別多樣性上幫助不大。物質(zhì)擴(kuò)散算法是目前大多數(shù)多樣性推薦算法選取的基礎(chǔ)方法，TrAd 通過(guò)建立信任用戶從而提升信任用戶所分配的資源以達(dá)到多樣性推薦的目的，其過(guò)程就是資源從用戶到商品再到用戶的轉(zhuǎn)移，而通過(guò)提升某一步的資源轉(zhuǎn)移權(quán)重來(lái)提升多樣性存在片面性，不足以適用于每個(gè)用戶。
PD-GAN 方法將 GAN 的博弈思想引入多樣性推薦領(lǐng)域，通過(guò) DPP 概率模型使得推薦的商品不相似的概率最大化，從而達(dá)到多樣性的目的，但是多樣性不應(yīng)僅包括商品間的不相似性，還應(yīng)該包括屬性多樣性等。本文所提方法，通過(guò)不同的生成器關(guān)注不同的商品屬性，每個(gè)生成器均以多樣性為目標(biāo)，不僅實(shí)現(xiàn)了類別多樣性還能實(shí)現(xiàn)品牌多樣性，同時(shí)分析用戶價(jià)格需求滿足用戶消費(fèi)水平，使得最終的推薦列表不僅滿足用戶需求，而且推薦的商品種類豐富，無(wú)論是針對(duì)個(gè)人還是用戶之間，推薦的商品都能達(dá)到多樣性的目的。
實(shí)驗(yàn) 2：準(zhǔn)確性分析本文所提方法以多樣性推薦為目標(biāo)并兼顧準(zhǔn)確性，為了在提升推薦結(jié)果多樣性的同時(shí)不降低準(zhǔn)確性，考慮結(jié)合用戶需求。本文所提方法在品牌生成器和價(jià)格生成器上，充分考慮用戶在多樣性和準(zhǔn)確性上的需求。對(duì)于品牌生成器，同時(shí)分析用戶購(gòu)買過(guò)商品的品牌和未購(gòu)買過(guò)商品的品牌，使其按照最佳比例推薦。對(duì)于價(jià)格生成器，按商品類別進(jìn)行劃分，分析用戶所購(gòu)買該類別商品中高價(jià)商品與低價(jià)商品的比例，使最終推薦商品的價(jià)格符合用戶的消費(fèi)習(xí)慣。
為了驗(yàn)證用戶需求的考慮是否對(duì)提升推薦的準(zhǔn)確性有所幫助，實(shí)驗(yàn) 2 選取 Automotive 數(shù)據(jù)集在準(zhǔn)確性指標(biāo) Recall上進(jìn)行對(duì)比實(shí)驗(yàn)，推薦列表長(zhǎng)度選取 10 和 20。結(jié)合用戶需求的推薦結(jié)果與其他方法相比，在準(zhǔn)確性上確實(shí)有所提升。因?yàn)橛脩粜枨蟮目紤]可以使推薦結(jié)果更加迎合用戶喜好，無(wú)論是用戶在商品品牌上的選擇還是在價(jià)格上的消費(fèi)習(xí)慣，都能夠做到因人而異，滿足不同用戶的各項(xiàng)需求，實(shí)現(xiàn)兼顧準(zhǔn)確性與多樣性的推薦。
結(jié)束語(yǔ)
針對(duì)當(dāng)前商品推薦方法在多樣性方面存在的不足，本文提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的商品多樣性推薦方法。該方法由生成模型和判別模型兩部分構(gòu)成，其中生成模型設(shè)置為多生成器結(jié)構(gòu)，每個(gè)生成器關(guān)注一個(gè)商品屬性，同時(shí)結(jié)合用戶需求，生成符合用戶興趣的多樣性商品表示;判別模型用于區(qū)分真實(shí)商品與生成商品，將結(jié)果反饋給生成模型使其不斷優(yōu)化穩(wěn)定。
最后基于生成的商品找到與其相似的商品進(jìn)行推薦。實(shí)驗(yàn)表明，本文所提方法有助于分析用戶在多屬性層次上的多樣性，且用戶需求的考慮在滿足推薦多樣性的同時(shí)，會(huì)進(jìn)一步提升推薦的準(zhǔn)確性。接下來(lái)，將進(jìn)一步考慮跨領(lǐng)域多樣性分析，實(shí)現(xiàn)跨領(lǐng)域的多樣性推薦。
References:
[1] Feng Chen-jiao, Song Peng, Wang Zhi-qiang, et al. Amethod on long tail recommendation based on three-factorprobabilistic graphical model[J]. Journal of Computer Researchand Development, 2021,58(9):1975-1986.
[2]Hamedani E M, Kaedi M. Recommending the long tail itemsthrough personalized diversification-ScienceDirect[J].Knowledge-Based Systems,2019, 164: 348-357.
[3]Luo Jin-wei, Liu Du-gang, Pan Wei-ke, et al. Unbiasedrecommendation model based on improved propensity scoreestimation[J/OL]. Journal of Computer Applications, 2021, 1-8.
[4]Deng Ming-tong, Liu Xue-jun, Li Bin. Diversifiedrecommendation method based on user preference and dynamicinterest[J]. Journal of Chinese Computer Systems, 2018, 39(9):2029-2034.
作者：馮 勇 1，劉 洋 1，王嶸冰 1，徐紅艷 1，張永剛 2
相關(guān)閱讀
