摘 要：目前電商平臺大多注重商品推薦的準確性而忽略了多樣性，存在推薦結果高冗余、用戶滿意度低等問題。考慮用戶需求從而實現多樣性推薦可以提升商品購買率和用戶滿意度，為此本文提出了一種面向用戶需求的生成對抗網絡多樣性推薦方法。該方法由生成模型和判別模型組成，其中，生成模型由四層結構組成，結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商品，反饋給生成模型。最后，計算各商品與多樣性商品表示的相似度，產生推薦列表。對比實驗表明本文所提方法切實能夠提高商品推薦的多樣性，而且能夠帶來準確性的提升。
關鍵詞：個性化推薦，多樣性，生成對抗網絡，商品屬性，用戶需求
引言
隨著移動互聯和大數據技術的飛速發展，網購行業日漸成熟，電子商務作為新興產業在我國迅速崛起，從經濟體系的占比來看，電商產業已經成為了我國的一大經濟支柱。為了使電商產業健壯發展，大多數平臺采取融合推薦算法的方式，形成電商推薦系統，從而更好地服務消費者。然而，現有電商推薦系統過多注重推薦的準確性而缺少對多樣性的深入思考，使得推薦結果過于冗余、用戶體驗感較差，無法進一步激起消費者購物欲望。
網絡大數據論文：基于復雜網絡的圖情檔學科文獻熱點挖掘
其實，相比于準確性，多樣性對于用戶和商家擁有更大的意義和價值。對于用戶來說，多樣性推薦使得推薦列表足夠豐富，節省用戶檢索時間并拓寬了用戶的視野。對于商家來說，多樣性推薦不僅能使更多產品得到推薦，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，有學者認為商品的分布服從長尾分布，推薦的商品多數集中于熱門商品，而冷門商品鮮少有被推薦，適當提升冷門商品的推薦比例可以很好地解決推薦樣式過于單一的問題[1-3]。
鄧明通等人定義受長尾分布約束的商品疲勞函數，并引入時間衰減函數調整用戶評分，最終將矩陣分解和商品疲勞函數結合，有效提升了冷門商品的推薦占比[4]。Zheng 等人認為多樣性推薦列表內的商品應該存在較低的相似性，引入 DRN 網絡學習用戶偏好及新聞動態特征，根據用戶反饋實時更新，使得推薦的新聞均反映不同的事件[5]。關于商品多樣性推薦，現有研究通過推薦更多冷門商品或是降低推薦列表內商品的相似度來提升推薦的多樣性，并未考慮用戶的偏好和具體需求，導致推薦的多樣性與準確性相矛盾。本文認為深入分析具有多樣性需求用戶的偏好，從商品的多個屬性層面滿足用戶的需求可以實現推薦多樣性和準確性的統一。
為此，本文提出了一種面向用戶需求的生成 對 抗 網 絡 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，生成模型由四層結構組成，同時結合用戶需求，生成多樣性商品表示;判別模型判定生成商品是否為真實商品，反饋給生成模型。最后，計算各商品與多樣性商品表示的相似度，產生推薦列表。經對比實驗驗證，本文所提方法由于采用多生成器網絡結構，能夠處理商品的多個屬性特征以實現多樣性推薦，并且結合用戶需求使推薦結果既具有多樣性，又帶來準確性的提升。 相關工作在推薦算法中，矩陣分解作為最經典的算法，被廣泛應用于電商領域，后續大量的研究以此為基礎進行多樣性的改進[6]。
李衛疆等人通過核密度估計的方式找到同興趣的用戶，用興趣用戶的評分擴充評分矩陣，之后進行矩陣分解，得到的推薦列表包含了興趣用戶的商品從而實現多樣性[7]。Gogna 等人基于低秩矩陣分解算法，引入電影類別元數據，通過添加正則項作為約束，使得不同類別的平均評分服從均勻分布以實現電影類別的多樣性[8]。有學者將用戶-商品二部圖引入到多樣性推薦研究，通過將用戶和商品抽象成圖中的點，點間連線代表兩者之間存在關系，通過連線進行資源的分配，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 等人通過信任者的能力和用戶對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，通過信任度控制資源轉移的數量實現多樣性推薦[10]。隨著深度學習技術的發展，多樣性推薦的研究也逐漸融入各種深層網絡，如 CNN、RNN、GAN 等[11-13]。傅魁等人利用LSTM 建模用戶的正、負反饋，對深度 Q 網絡進行改進，保證了推薦的穩定性[14]。秦婧等人針對長尾物品構建了 CNN 模型，通過將長尾物品替換熱門物品來實現長尾推薦[15]。
Wu 等人通過DPP 概率用模型得到核矩陣獲取不同商品的共現，之后運用GAN 通過一組物品學習用戶的多樣性偏好[16]。盡管上述方法在多樣性推薦上都有不同程度的改善，但都僅關注單一層面的多樣性，缺少對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，本文運用深度學習技術對商品多樣性推薦開展研究，改進傳統生成對抗網絡結構，將單個生成器擴展為多個，使其能夠處理不同的商品屬性，從而實現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，該商品表示從多個屬性方面生成，能充分反映用戶需求。由多個生成器組成，其中每個生成器對應一個商品屬性，并且每個生成器均以多樣性推薦為目標，使得推薦的商品覆蓋更多不同的屬性。這樣，每個生成器都能從不同屬性角度生成潛在商品特征。同時，考慮用戶需求，引入的思想是每個屬性都包含不同的特定值，而每個特定值并不應該是均等的，如面對不同的用戶及不同的場景時應賦予不同的權重，以區分不同特征值的重要性。
在生成對抗網絡中，為了訓練更加健壯的生成器，需要判別器不斷促進生成器迭代訓練。判別模型試圖區分生成商品與真實商品，并將結果反饋給生成模型，促使生成模型生成的商品表示更加趨近于真實商品。本文所提方法根據用戶購買記錄內的商品屬性信息，并結合用戶需求預測用戶多樣性偏好商品，最終以商品列表的形式進行推薦。為了驗證本文所提方法的綜合性能，在準確性和多樣性兩類評價指標上進行對比實驗。
選取以下方法作為對比方法進行對比實驗，驗證本文所提方法的性能優勢。
(1)DRMUD[4]：基于用戶偏好和動態興趣的多樣性推薦方法，該方法改進傳統的矩陣分解算法，引入時間衰減函數動態調整用戶評分，將商品疲勞函數與矩陣分解融合，從而增加對冷門產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信任感知推薦方法，利用用戶間的信任關系量化用戶多樣性需求，使得在資源分配的過程中，減少流行商品的資源，增加信任用戶的資源轉移。
(3)PD-GAN[16]：將 DPP 算法與生成對抗網絡結合，同時學習用戶對單個物品的偏好及對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性又體現多樣性。由于商品屬性選取了類別、價格、品牌，生成器與商品屬性對應，所以生成器的個數設置為 3。
對于方法中的權重項和偏執項以及生成器和判別器中的初始化權重，均采用隨機初始化方法。生成器和判別器的隱藏層數選取范圍{1、2、3、4、5}，隱藏層內的神經元數目為{100、200、300、400、500}，其中每個神經網絡的激活函數使用 sigmoid 函數。由于生成模型的輸入用戶-屬性向量為離散值，所以每個生成器設置為可訓練的嵌入矩陣。每次訓練的批量大小選取{128、256、512、1024}，學習率使用{1E-05、1E-04、1E-03、1E-02、1E-01}。
實驗 1：多樣性分析所有的生成器均以多樣性推薦為目標，使得推薦列表內的商品盡可能的多樣化。對于類別生成器，其關注所有的商品類別，使得最終推薦的商品覆蓋種類足夠豐富。對于品牌生成器，考慮用戶需求，將未交互過的品牌占比設置為 ，交互過的品牌占比設置為 1- 。最后，對于價格生成器，首先計算每個類別下商品的價格均值，對于大于均值的商品定義為高價格商品，對于小于等于均值的商品定義為低價格商品。之后，統計用戶所有交互商品的價格，計算高價格商品和低價格商品的比例作為價格生成器所關注的價格比重。
為了選擇品牌生成器中合適的值，選取推薦列表長度為 10 進行實驗，在內部多樣性和總體多樣性上的結果。按理值越大，最終推薦的商品越多樣化，但是發現當>0.7 后多樣性指標反而不再上升。通過分析數據集發現，每個品牌均包含多種類別的商品，對于新的品牌，它所包括的商品類別已經在之前的品牌中出現了，所以并不會造成多樣性的進一步提升。同時，用戶交互過的品牌也代表用戶的品牌偏好，應在最終的推薦品牌中有所體現。本文所提方法與對比方法在多樣性指標上的表現，分別選取 Top-N 列表長度為 10 和 20，在三個數據集上進行試驗。
本文所提方法的多樣性推薦性性能均優于其他方法，其中，由于 Toys_and_Games 數據集商品種類最多，所以取得了最佳的效果。對比發現，對于改進傳統矩陣分解算法的 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，而對于總體推薦列表的類別多樣性上幫助不大。物質擴散算法是目前大多數多樣性推薦算法選取的基礎方法，TrAd 通過建立信任用戶從而提升信任用戶所分配的資源以達到多樣性推薦的目的，其過程就是資源從用戶到商品再到用戶的轉移，而通過提升某一步的資源轉移權重來提升多樣性存在片面性，不足以適用于每個用戶。
PD-GAN 方法將 GAN 的博弈思想引入多樣性推薦領域，通過 DPP 概率模型使得推薦的商品不相似的概率最大化，從而達到多樣性的目的，但是多樣性不應僅包括商品間的不相似性，還應該包括屬性多樣性等。本文所提方法，通過不同的生成器關注不同的商品屬性，每個生成器均以多樣性為目標，不僅實現了類別多樣性還能實現品牌多樣性，同時分析用戶價格需求滿足用戶消費水平，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，無論是針對個人還是用戶之間，推薦的商品都能達到多樣性的目的。
實驗 2：準確性分析本文所提方法以多樣性推薦為目標并兼顧準確性，為了在提升推薦結果多樣性的同時不降低準確性，考慮結合用戶需求。本文所提方法在品牌生成器和價格生成器上，充分考慮用戶在多樣性和準確性上的需求。對于品牌生成器，同時分析用戶購買過商品的品牌和未購買過商品的品牌，使其按照最佳比例推薦。對于價格生成器，按商品類別進行劃分，分析用戶所購買該類別商品中高價商品與低價商品的比例，使最終推薦商品的價格符合用戶的消費習慣。
為了驗證用戶需求的考慮是否對提升推薦的準確性有所幫助，實驗 2 選取 Automotive 數據集在準確性指標 Recall上進行對比實驗，推薦列表長度選取 10 和 20。結合用戶需求的推薦結果與其他方法相比，在準確性上確實有所提升。因為用戶需求的考慮可以使推薦結果更加迎合用戶喜好，無論是用戶在商品品牌上的選擇還是在價格上的消費習慣，都能夠做到因人而異，滿足不同用戶的各項需求，實現兼顧準確性與多樣性的推薦。
結束語
針對當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抗網絡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成，其中生成模型設置為多生成器結構，每個生成器關注一個商品屬性，同時結合用戶需求，生成符合用戶興趣的多樣性商品表示;判別模型用于區分真實商品與生成商品，將結果反饋給生成模型使其不斷優化穩定。
最后基于生成的商品找到與其相似的商品進行推薦。實驗表明，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，會進一步提升推薦的準確性。接下來，將進一步考慮跨領域多樣性分析，實現跨領域的多樣性推薦。
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
相關閱讀
