面向用户需求的生成对抗网络多样性推荐方法

　　摘 要：目前电商平台大多注重商品推荐的准确性而忽略了多样性，存在推荐结果高冗余、用户满意度低等问题。考虑用户需求从而实现多样性推荐可以提升商品购买率和用户满意度，为此本文提出了一种面向用户需求的生成对抗网络多样性推荐方法。该方法由生成模型和判别模型组成，其中，生成模型由四层结构组成，结合用户需求生成多样性商品表示。判别模型判定生成商品是否为真实商品，反馈给生成模型。最后，计算各商品与多样性商品表示的相似度，产生推荐列表。对比实验表明本文所提方法切实能够提高商品推荐的多样性，而且能够带来准确性的提升。

　　关键词：个性化推荐，多样性，生成对抗网络，商品属性，用户需求

　　引言

　　随着移动互联和大数据技术的飞速发展，网购行业日渐成熟，电子商务作为新兴产业在我国迅速崛起，从经济体系的占比来看，电商产业已经成为了我国的一大经济支柱。为了使电商产业健壮发展，大多数平台采取融合推荐算法的方式，形成电商推荐系统，从而更好地服务消费者。然而，现有电商推荐系统过多注重推荐的准确性而缺少对多样性的深入思考，使得推荐结果过于冗余、用户体验感较差，无法进一步激起消费者购物欲望。

　　网络大数据论文：基于复杂网络的图情档学科文献热点挖掘

　　其实，相比于准确性，多样性对于用户和商家拥有更大的意义和价值。对于用户来说，多样性推荐使得推荐列表足够丰富，节省用户检索时间并拓宽了用户的视野。对于商家来说，多样性推荐不仅能使更多产品得到推荐，而且能够深层挖掘用户兴趣，增加用户粘性，提升交易率从而获取更多利益。在多样性研究中，有学者认为商品的分布服从长尾分布，推荐的商品多数集中于热门商品，而冷门商品鲜少有被推荐，适当提升冷门商品的推荐比例可以很好地解决推荐样式过于单一的问题[1-3]。

　　邓明通等人定义受长尾分布约束的商品疲劳函数，并引入时间衰减函数调整用户评分，最终将矩阵分解和商品疲劳函数结合，有效提升了冷门商品的推荐占比[4]。Zheng 等人认为多样性推荐列表内的商品应该存在较低的相似性，引入 DRN 网络学习用户偏好及新闻动态特征，根据用户反馈实时更新，使得推荐的新闻均反映不同的事件[5]。关于商品多样性推荐，现有研究通过推荐更多冷门商品或是降低推荐列表内商品的相似度来提升推荐的多样性，并未考虑用户的偏好和具体需求，导致推荐的多样性与准确性相矛盾。本文认为深入分析具有多样性需求用户的偏好，从商品的多个属性层面满足用户的需求可以实现推荐多样性和准确性的统一。

　　为此，本文提出了一种面向用户需求的生成 对 抗 网 络 多 样 性 推 荐 方 法 ( UR-GAN ， generativeadversarial network diversity recommendation method orientedto user requirement)，该方法由生成模型和判别模型组成，其中，生成模型由四层结构组成，同时结合用户需求，生成多样性商品表示;判别模型判定生成商品是否为真实商品，反馈给生成模型。最后，计算各商品与多样性商品表示的相似度，产生推荐列表。经对比实验验证，本文所提方法由于采用多生成器网络结构，能够处理商品的多个属性特征以实现多样性推荐，并且结合用户需求使推荐结果既具有多样性，又带来准确性的提升。 相关工作在推荐算法中，矩阵分解作为最经典的算法，被广泛应用于电商领域，后续大量的研究以此为基础进行多样性的改进[6]。

　　李卫疆等人通过核密度估计的方式找到同兴趣的用户，用兴趣用户的评分扩充评分矩阵，之后进行矩阵分解，得到的推荐列表包含了兴趣用户的商品从而实现多样性[7]。Gogna 等人基于低秩矩阵分解算法，引入电影类别元数据，通过添加正则项作为约束，使得不同类别的平均评分服从均匀分布以实现电影类别的多样性[8]。有学者将用户-商品二部图引入到多样性推荐研究，通过将用户和商品抽象成图中的点，点间连线代表两者之间存在关系，通过连线进行资源的分配，最终用户得到资源完成推荐。An 等人利用活跃性提取虚拟专家，为专家分配更多的资源，然后专家将更多的资源转移到更大范围的商品中从而完成多样性推荐[9]。

　　Yu 等人通过信任者的能力和用户对信任者的确定性定义信任度，之后用新颖性需求和多样性需求量化用户总体需求，通过信任度控制资源转移的数量实现多样性推荐[10]。随着深度学习技术的发展，多样性推荐的研究也逐渐融入各种深层网络，如 CNN、RNN、GAN 等[11-13]。傅魁等人利用LSTM 建模用户的正、负反馈，对深度 Q 网络进行改进，保证了推荐的稳定性[14]。秦婧等人针对长尾物品构建了 CNN 模型，通过将长尾物品替换热门物品来实现长尾推荐[15]。

　　Wu 等人通过DPP 概率用模型得到核矩阵获取不同商品的共现，之后运用GAN 通过一组物品学习用户的多样性偏好[16]。尽管上述方法在多样性推荐上都有不同程度的改善，但都仅关注单一层面的多样性，缺少对商品多属性层面的深入分析，并且未考虑用户的多样性需求。综上，本文运用深度学习技术对商品多样性推荐开展研究，改进传统生成对抗网络结构，将单个生成器扩展为多个，使其能够处理不同的商品属性，从而实现多属性层面上的多样性推荐。

　　生成模型的输入为用户交互商品的属性信息，即用户属性交互向量，输出为多样性商品表示，该商品表示从多个属性方面生成，能充分反映用户需求。由多个生成器组成，其中每个生成器对应一个商品属性，并且每个生成器均以多样性推荐为目标，使得推荐的商品覆盖更多不同的属性。这样，每个生成器都能从不同属性角度生成潜在商品特征。同时，考虑用户需求，引入的思想是每个属性都包含不同的特定值，而每个特定值并不应该是均等的，如面对不同的用户及不同的场景时应赋予不同的权重，以区分不同特征值的重要性。

　　在生成对抗网络中，为了训练更加健壮的生成器，需要判别器不断促进生成器迭代训练。判别模型试图区分生成商品与真实商品，并将结果反馈给生成模型，促使生成模型生成的商品表示更加趋近于真实商品。本文所提方法根据用户购买记录内的商品属性信息，并结合用户需求预测用户多样性偏好商品，最终以商品列表的形式进行推荐。为了验证本文所提方法的综合性能，在准确性和多样性两类评价指标上进行对比实验。

　　选取以下方法作为对比方法进行对比实验，验证本文所提方法的性能优势。

　　(1)DRMUD[4]：基于用户偏好和动态兴趣的多样性推荐方法，该方法改进传统的矩阵分解算法，引入时间衰减函数动态调整用户评分，将商品疲劳函数与矩阵分解融合，从而增加对冷门产品的推荐以提高多样性。

　　(2)TrAd[10]：一种用户商品二部图的自适应信任感知推荐方法，利用用户间的信任关系量化用户多样性需求，使得在资源分配的过程中，减少流行商品的资源，增加信任用户的资源转移。

　　(3)PD-GAN[16]：将 DPP 算法与生成对抗网络结合，同时学习用户对单个物品的偏好及对一组物品的多样性偏好，使得生成器生成的商品既符合相关性又体现多样性。由于商品属性选取了类别、价格、品牌，生成器与商品属性对应，所以生成器的个数设置为 3。

　　对于方法中的权重项和偏执项以及生成器和判别器中的初始化权重，均采用随机初始化方法。生成器和判别器的隐藏层数选取范围{1、2、3、4、5}，隐藏层内的神经元数目为{100、200、300、400、500}，其中每个神经网络的激活函数使用 sigmoid 函数。由于生成模型的输入用户-属性向量为离散值，所以每个生成器设置为可训练的嵌入矩阵。每次训练的批量大小选取{128、256、512、1024}，学习率使用{1E-05、1E-04、1E-03、1E-02、1E-01}。

　　实验 1：多样性分析所有的生成器均以多样性推荐为目标，使得推荐列表内的商品尽可能的多样化。对于类别生成器，其关注所有的商品类别，使得最终推荐的商品覆盖种类足够丰富。对于品牌生成器，考虑用户需求，将未交互过的品牌占比设置为 ，交互过的品牌占比设置为 1- 。最后，对于价格生成器，首先计算每个类别下商品的价格均值，对于大于均值的商品定义为高价格商品，对于小于等于均值的商品定义为低价格商品。之后，统计用户所有交互商品的价格，计算高价格商品和低价格商品的比例作为价格生成器所关注的价格比重。

　　为了选择品牌生成器中合适的值，选取推荐列表长度为 10 进行实验，在内部多样性和总体多样性上的结果。按理值越大，最终推荐的商品越多样化，但是发现当>0.7 后多样性指标反而不再上升。通过分析数据集发现，每个品牌均包含多种类别的商品，对于新的品牌，它所包括的商品类别已经在之前的品牌中出现了，所以并不会造成多样性的进一步提升。同时，用户交互过的品牌也代表用户的品牌偏好，应在最终的推荐品牌中有所体现。本文所提方法与对比方法在多样性指标上的表现，分别选取 Top-N 列表长度为 10 和 20，在三个数据集上进行试验。

　　本文所提方法的多样性推荐性性能均优于其他方法，其中，由于 Toys_and_Games 数据集商品种类最多，所以取得了最佳的效果。对比发现，对于改进传统矩阵分解算法的 DRMUD，在多样性推荐性能上效果整体不佳，由于其仅仅是提升冷门商品的推荐比重，而对于总体推荐列表的类别多样性上帮助不大。物质扩散算法是目前大多数多样性推荐算法选取的基础方法，TrAd 通过建立信任用户从而提升信任用户所分配的资源以达到多样性推荐的目的，其过程就是资源从用户到商品再到用户的转移，而通过提升某一步的资源转移权重来提升多样性存在片面性，不足以适用于每个用户。

　　PD-GAN 方法将 GAN 的博弈思想引入多样性推荐领域，通过 DPP 概率模型使得推荐的商品不相似的概率最大化，从而达到多样性的目的，但是多样性不应仅包括商品间的不相似性，还应该包括属性多样性等。本文所提方法，通过不同的生成器关注不同的商品属性，每个生成器均以多样性为目标，不仅实现了类别多样性还能实现品牌多样性，同时分析用户价格需求满足用户消费水平，使得最终的推荐列表不仅满足用户需求，而且推荐的商品种类丰富，无论是针对个人还是用户之间，推荐的商品都能达到多样性的目的。

　　实验 2：准确性分析本文所提方法以多样性推荐为目标并兼顾准确性，为了在提升推荐结果多样性的同时不降低准确性，考虑结合用户需求。本文所提方法在品牌生成器和价格生成器上，充分考虑用户在多样性和准确性上的需求。对于品牌生成器，同时分析用户购买过商品的品牌和未购买过商品的品牌，使其按照最佳比例推荐。对于价格生成器，按商品类别进行划分，分析用户所购买该类别商品中高价商品与低价商品的比例，使最终推荐商品的价格符合用户的消费习惯。

　　为了验证用户需求的考虑是否对提升推荐的准确性有所帮助，实验 2 选取 Automotive 数据集在准确性指标 Recall上进行对比实验，推荐列表长度选取 10 和 20。结合用户需求的推荐结果与其他方法相比，在准确性上确实有所提升。因为用户需求的考虑可以使推荐结果更加迎合用户喜好，无论是用户在商品品牌上的选择还是在价格上的消费习惯，都能够做到因人而异，满足不同用户的各项需求，实现兼顾准确性与多样性的推荐。

　　结束语

　　针对当前商品推荐方法在多样性方面存在的不足，本文提出了一种基于生成对抗网络的商品多样性推荐方法。该方法由生成模型和判别模型两部分构成，其中生成模型设置为多生成器结构，每个生成器关注一个商品属性，同时结合用户需求，生成符合用户兴趣的多样性商品表示;判别模型用于区分真实商品与生成商品，将结果反馈给生成模型使其不断优化稳定。

　　最后基于生成的商品找到与其相似的商品进行推荐。实验表明，本文所提方法有助于分析用户在多属性层次上的多样性，且用户需求的考虑在满足推荐多样性的同时，会进一步提升推荐的准确性。接下来，将进一步考虑跨领域多样性分析，实现跨领域的多样性推荐。

　　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：冯 勇 1，刘 洋 1，王嵘冰 1，徐红艳 1，张永刚 2