基于RippleNet的商品推薦研究

管文豪 張 爽 汪柏樂

（黑龍江大學(xué)數(shù)據(jù)科學(xué)與技術(shù)學(xué)院，黑龍江 哈爾濱 150000）

1 概述

隨著信息化的快速發(fā)展，基于互聯(lián)網(wǎng)的電子商務(wù)系統(tǒng)發(fā)展迅速，商品個(gè)數(shù)和種類快速增長，顧客需要花費(fèi)大量的時(shí)間才能找到自己想買的商品，這種瀏覽大量無關(guān)的產(chǎn)品和信息的過程會使消費(fèi)者因信息過載問題而不斷流失。因此，推薦系統(tǒng)應(yīng)運(yùn)而生。它們通過用戶的興趣特點(diǎn)和購買行為，向用戶推薦用戶感興趣的信息和商品。

現(xiàn)有的電商推薦方法可分為三類：基于協(xié)同過濾[1]的推薦算法、基于內(nèi)容的推薦[2]算法以及基于深度學(xué)習(xí)的推薦算法[3]。利用這些推薦算法都能夠給用戶推薦出商品。但這些經(jīng)典的推薦算法向用戶推薦商品的過程中，會引入例如稀疏性、冷啟動以及“黑箱”等問題，并且推薦結(jié)果的解釋性不足。為了解決目前推薦算法存在的問題，業(yè)界將知識圖譜引入到推薦系統(tǒng)中，考慮到了用戶和知識圖譜的聯(lián)系，以有效地利用知識圖譜來增強(qiáng)推薦系統(tǒng)的性能和效率。知識圖譜將現(xiàn)實(shí)世界中的實(shí)體和關(guān)系表達(dá)為結(jié)構(gòu)化三元組的形式，三元組描述了一個(gè)特定領(lǐng)域中的事實(shí)，由頭實(shí)體、尾實(shí)體和描述這兩個(gè)實(shí)體之間的關(guān)系組成。為了從知識圖譜中有效提取用戶和實(shí)體之間的聯(lián)系，更好地挖掘用戶的潛在偏好，業(yè)界提出基于知識圖譜的推薦框架RippleNet[4]。此框架將電商場景下的每個(gè)用戶和商品，以及商品知識圖譜中的實(shí)體和關(guān)系表示為向量或矩陣，以用戶的歷史訪問記錄為興趣中心，模擬用戶的興趣傳播在知識圖譜上逐層向外擴(kuò)散，并且不斷衰減的過程，最終預(yù)測候選商品的訪問概率。該框架能夠推斷在知識圖譜上從用戶歷史商品到候選商品的鏈接路徑，以刻畫用戶偏好在知識圖譜中的傳播過程，并且最終將該鏈接路徑作為推薦結(jié)果的解釋。

2 方法

2.1 相關(guān)定義

u={u1,u2…}和v={v1,v2…}分別表示電商推薦場景中的用戶集合和商品集合，根據(jù)用戶是否訪問或購買過某個(gè)商品，我們定義一個(gè)用戶-商品交互矩陣Y：

知識圖譜G由大量的”實(shí)體-關(guān)系-實(shí)體”型的三元組構(gòu)成，其中h,t?ε，r?R，ε和R分別代表著知識圖譜中的實(shí)體集和關(guān)系集。我們的目標(biāo)是預(yù)測用戶u是否對其以前沒有交互過的商品v有潛在的興趣。

相關(guān)實(shí)體:給定知識圖譜G和用戶-商品交互矩陣Y，用戶u的k階相關(guān)實(shí)體集合定義為:

在波紋集之中，用戶對商品的潛在興趣偏好被用戶的歷史偏好激活，然后沿著知識圖譜中的鏈接從歷史記錄中的實(shí)體到鏈接中的其他實(shí)體進(jìn)行傳播。

其中，F(xiàn)代表推薦函數(shù)，θ表示函數(shù)F中的模型參數(shù)。

2.2 RippleNet框架

RippleNet將每個(gè)候選商品嵌入表示為一個(gè)向量v。然后通過候選商品v，用戶u的歷史訪問記錄vu和一階波紋集上的三元組(hi,ri,ti)計(jì)算一個(gè)相關(guān)性概率pi如下：

對于二階波紋集的潛在興趣偏好表示O2u，只需要用O1u替換候選商品v向量即可。對于更高階的波紋集興趣，重復(fù)上述迭代過程即可。將用戶u的向量表示定義為該用戶在各階波紋集上興趣偏好的累加值：

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文通過項(xiàng)目構(gòu)建100個(gè)用戶的17002條訪問記錄作為推薦任務(wù)的實(shí)驗(yàn)數(shù)據(jù)集。為了避免冷啟動的問題，我們清洗掉用戶瀏覽商品的歷史記錄次數(shù)不足5次的商品。在實(shí)驗(yàn)過程中，將數(shù)據(jù)集按照7:1:2的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。

3.2 知識圖譜構(gòu)建

手機(jī)商品知識圖譜融合了來自中文維基百科、手機(jī)測評數(shù)據(jù)、手機(jī)新聞數(shù)據(jù)的產(chǎn)品信息如圖1所示。采用自上而下的構(gòu)建方法，即先搭建出手機(jī)知識圖譜的模式層,在模式層的約束下填充數(shù)據(jù)層,最終形成結(jié)構(gòu)化的手機(jī)知識圖譜。采用性能穩(wěn)定的Neo4j存儲圖譜數(shù)據(jù)，Neo4j的核心是節(jié)點(diǎn)、關(guān)系和屬性,利用它存儲手機(jī)知識圖譜的本質(zhì)是將圖譜數(shù)據(jù)完整地轉(zhuǎn)換為節(jié)點(diǎn)、關(guān)系和屬性。

圖1 小米10Pro知識圖譜

3.3 評價(jià)

本文采用準(zhǔn)確率(accuracy)評價(jià)該方法的性能表現(xiàn)，得到如下實(shí)驗(yàn)對比結(jié)果如圖2所示。

圖2 模型的準(zhǔn)確率

4 結(jié)論

本文面向傳統(tǒng)的電商場景，提出將知識圖譜與基于用戶偏好傳播的推薦系統(tǒng)進(jìn)行融合，實(shí)現(xiàn)了精準(zhǔn)推薦和良好的可解釋性。實(shí)驗(yàn)中，本文通過整合網(wǎng)絡(luò)資源并重構(gòu)，構(gòu)建了一個(gè)手機(jī)商品知識圖譜，并在用戶-商品歷史訪問記錄數(shù)據(jù)集上對各種推薦方法進(jìn)行了充分的實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明了RippleNet推薦算法能夠更好地對用戶進(jìn)行商品推薦，證明了基于知識圖譜的用戶偏好傳播框架在電商場景中有更好的解釋性和準(zhǔn)確性。該算法不僅可以用于商品的推薦，同樣適用于音樂視頻、電影、書籍等網(wǎng)站中的實(shí)體推薦。