Page 412 - 《软件学报》2024年第6期
P. 412
2988 软件学报 2024 年第 35 卷第 6 期
1) Last.fm (源自 https://grouplens.org/datasets/hetrec-2011/): 音乐收听数据. 数据标签包括歌曲播放次数、歌
曲 ID、歌曲类型等.
2) Douban (源自 https://www.cse.cuhk.edu.hk/irwin.king.new/pub/data/douban): 电影点评数据. 数据标签包括用
户对电影的评分记录 (每个用户最少评分电影数为 20)、用户的人口统计信息 (年龄、性别)、评分时间、评论评
分, 以及电影的统计信息 (名称、类别、描述).
3) Yelp (源自 https://www.yelp.com/dataset): 餐厅点评数据. 数据标签包括用户对商家的评论及评分等.
4) MovieLens (源自 https://grouplens.org/datasets/movielens/): 电影点评数据. 数据标签包括用户与电影的基本
特征、评分、ID 和电影类别等.
4.2 评价指标
性能评价主要体现在精确度上, 为验证提出的算法是否能提高推荐性能, 选取常用的准确率 (Precision)、召
回率 (Recall) 和归一化折损累计增益 (normalize discounted cumulative gain, NDCG) 作为评价指标.
1) Precision 和 Recall: 用来直接评价推荐算法的精确度, 如公式 (20) 所示:
∑ ∑
|R(u)∩T(u)| |R(u)∩T(u)|
Precision = u∈U , Recall = u∈U (20)
∑
∑
|R(u)| |T(u)|
u∈U u∈U
公式 (20) 中, R(u) 和 T(u) 分别为用户 u 推荐的项目列表、用户实际选择的项目列表, |R(u)| |T(u)| 为其对应
,
数量; R(u)∩T(u) 为最终推荐列表中被用户实际选择项目的集合, |R(u)∩T(u)| 为该集合中的项目数量.
2) NDCG 是对位置敏感的评价指标, 推荐项在列表中位置越靠前, 其贡献越大, 反之越小, 如公式 (21) 所示:
∑ 1 ∑ k 2 −1
t i
NDCG = (21)
i=1 log (i+1)
u∈U test Y u
2
其中, U tes 为测试用户集合; Y u 为用户 u 的最大 NDCG 值; k 为已推荐项目的数量; t i =1 表示击中, t i =0 表示未击中.
t
4.3 对比模型
[3]
下面将本文提出的 LG_APIF 模型与相关模型 BPR [27] , DiffNet++ [17] , DHCF [28] , DeepFM [29] , LightGCN ,
2
S -MHCN [20] , SEPT [21] 及 FAWMF [30] 做对比实验, 验证 2
LG_APIF
模型的有效性.
1) BPR: 一种流行且经典的基于贝叶斯个性化排名的推荐模型, 通过学习用户每对已评分与未评分项目的关
系来模拟候选项目的顺序.
2) DiffNet++: 一种最新的基于 GCN 的社交推荐方法, 模拟了用户和项目空间中的递归动态社交扩散.
3) DHCF: 一种基于超图卷积网络的方法, 用于建模用户和项目之间的高阶相关性来实现推荐.
4) DeepFM: 一个神经网络架构, 结合用于推荐的分解机器和用于特征学习的深度学习技术, 推出一个端到端
的学习用户复杂行为交互的模型, 并强调低阶和高阶特征交互的重要性.
5) LightGCN: 一种基于 GCN 的通用推荐模型, 利用用户与项目的邻近性来学习节点表示并生成推荐, 被认为
是目前比较先进的方法之一.
2
6) S -MHCN: 一种基于超图卷积网路的社交推荐方法, 将用户与用户之间的深层关联性采用超边表示.
7) SEPT: 一种集成了三训练的通用社会感知 SSL (secure sockets layer) 框架的推荐模型. 该框架在增强视图上
构建了 3 个图形编码器 (其中 1 个为推荐), 利用 个编码器生成的其他用户的自我监督信号对每个编码器进行迭
代改进, 以增强推荐性能.
8) FAWMF: 一种基于变分自编码的快速自适应加权矩阵分解方法. 采用参数化的神经网络自适应分配个性
化的数据置信度权重, 并从数据中推导出网络, 对所有反馈数据进行训练, 用于推荐.
选取的这几种作为对比的深度模型, 分别考虑了不同的信息源. BPR 无论是对于基础或深度信息的利用率都
不高; DiffNet++, DHCF 及 LightGCN 则相继对基础信息进行了更充分地利用, 并引入一些深度方法; DeepFM,
2
S -MHCN, SEPT 及 FAWMF 在引入深度方法的同时, 还加强了在基础信息下对深度信息的挖掘与利用. 这有利于