Page 416 - 《软件学报》2024年第6期
P. 416

2992                                                       软件学报  2024  年第  35  卷第  6  期


                 所提到的用户兴趣规律, 即先求得项目类型再推荐项目个体. 但高阶传播中以项目类型为节点, 最终可能确实可找
                 到用户的兴趣项目类型, 但对于项目个体的预测, 依然很困难. 相比之下, 本文模型                      LG_APIF  将项目类型用作连接
                 用户与项目个体间的关系, 来构建用户-类型-项目三元图结构, 个体之间不仅蕴含着类型的潜在信息, 而且蕴含更
                 多的个体协作信息, 这十分有利于个体信息在高阶传播中的学习. 图                     9  的实验结果也显示, LG_APIF     的推荐性能
                 远优于   X_APIF.
                    2) 自适应周期在很大程度上影响着推荐性能. 自适应周期的取值能随着数据集的变化和在多次推荐之后伴随
                 着数据的变化而变化. 因此, 自适应周期的值在每一次推荐时是动态变化的, 这和变体模型                           LG_XIF  所设置的固定
                 值具有很大区别. 图      9  中, 本文模型  LG_APIF  的效果远优于变体模型       LG_XIF, 可见本文模型具有更好的适应性,
                 进而表明自适应周期对推荐效果的提升具有积极作用.
                    3) 运用本文的兴趣量因子解析方法可在一定程度上改善模型推荐效果. 变体模型                           LG_APX  和提出的模型
                 LG_APIF  在处理兴趣量因子的方式上有相似之处. 比如, 这两个模型都利用了用户浏览次数等基础信息, 只不过
                 与  LG_APX  直接将该基础信息转换成兴趣量因子的方法不一样的是, LG_APIF                 进行了更深入的处理, 包括兴趣浮
                 点模型的利用、兴趣量演算的优化等. 通过图               9  中的对比, LG_APIF  在很大程度上优于变体模型          LG_APX, 这不
                                             0.059 9 0.060 1
                 仅说明   LG_APIF  中兴趣量因子解析模块的有效性, 还反映了在改善推荐效果的过程中, 利用重组、优化等方法挖
                 掘到的深度信息要比显式的基础信息更有效.
                    综上所述, 自适应周期、兴趣量因子等深度信息对提升推荐效果具有很大作用, 而用户-类型-项目三元图结
                 构则是在对深度信息求解后的应用, 因此其不仅自身影响着推荐性能, 还融合自适应周期和兴趣量因子对模型的
                 影响. 结合图   9  可看出, 变体模型    X_APIF  远比其他变体模型的推荐效果差, 说明三元图结构在本文模型中起到至
                 关重要的作用, 同时也表明对基础信息进行深度挖掘利用, 是提升推荐效果的关键.
                  4.4.3    各模型性能对比
                    为评估提出的模型        LG_APIF  效果如何, 表   4  给出了各模型在不同数据集下的           Precision  值、Recall 值和
                 NDCG  值  (在表中分别简写为     P, R, N) 的对比情况.


                                             表 4    各模型在不同数据集上的指标对比

                                                          模型名称
                  数据集    评价指标                                                               性能改善情况 (%)
                                                                 2
                                 BPR DiffNet++ DHCF DeepFM LightGCN S -MHCN SEPT FAWMF LG_APIF
                            P   0.156 1  0.184 9  0.168 8 0.199 1  0.192 1  0.200 5  0.201 9  －  0.207 6    ↑ 0.84
                  Last.fm   R   0.158 2  0.187 4  0.171 3 0.184 2  0.194 8  0.203 8  0.204 9  －  0.207 3    ↑ 1.17
                            N   0.189 5  0.223 1  0.207 4 0.178 3  0.234 0  0.244 0  0.245 1  －  0.249 9    ↑ 1.96
                            P   0.156 7  0.175 3  0.168 7 0.183 9  0.177 9  0.185 1  0.188 3 0.190 2  0.200 1    ↑ 5.20
                  Douban    R   0.051 6  0.062 1  0.057 6 0.043 4  0.062 5  0.066 8  0.108 1 0.088 0  0.109 2    ↑ 1.02
                            N   0.174 8  0.197 0  0.186 6 0.163 2  0.198 9  0.210 4  0.226 4 0.221 5  0.228 8    ↑ 1.06
                            P   0.020 0  0.024 8  0.030 0 0.029 3  0.025 9  0.030 0  0.029 0  －  0.029 7    ↓ 1.00
                   Yelp     R   0.051 7  0.063 5          0.065 3  0.078 9  0.074 6  －  0.078 3    ↓ 0.76
                            N   0.038 4  0.043 1  0.047 0 0.043 1  0.050 0  0.060 6  0.057 8  －  0.060 2    ↓ 0.66
                            P   0.289 1  －     －     －      －      －     －    0.304 6  0.305 5    ↑ 0.30
                 MovieLens  R   0.103 2  －     －     －      －      －     －    0.129 0  0.130 1    ↑ 0.85
                            N   0.298 0  －     －     －      －      －     －    0.318 3  0.322 8    ↑ 1.41

                    其中, 本文模型和目前效果最佳模型的指标值已加粗显示, 最后一列给出提出的模型                           LG_APIF  相对于某一最
                 佳模型   (粗体数据表示) 的性能改善情况          (比如, 在  Last.fm  上, SEPT  在对比模型中的  Precision  表现最优, 相对于
                 它, 本文模型   LG_APIF  提升  0.84%). 对于  MovieLens, 由于它与  Douban  参考的均是电影主题数据, 只在信息侧重
   411   412   413   414   415   416   417   418   419   420   421