區分長短期興趣的用戶動態推薦模型研究

朱妮

[提要] 本文基于隱形反饋數據集提出區分用戶長期興趣和短期興趣的推薦模型DYLSI，該模型主要考慮到用戶興趣、項目流行度隨時間的變化以及長短期興趣的不同，針對數據稀疏、用戶興趣刻畫不細致等問題提出解決方案。實驗結果表明：與傳統的遺忘曲線、時間窗口和基于矩陣分解的協同過濾相比，本模型在F1-Score評價指標上展現出更加優越的性能。同時，本文計算用戶興趣偏好時，提取長短期興趣集合、用戶活躍度、項目流行度相關指標，可為用戶自動打標簽，為后續研究用戶興趣的動態演化過程或者網站功能擴展提供更多選擇。

關鍵詞：興趣漂移;動態推薦;長短期興趣;隱式反饋

中圖分類號：F724.6 文獻標識碼：A

收錄日期：2020年3月10日

一、引言

在互聯網時代，用戶和項目數量均以指數級迅速增長，帶來海量信息的同時也引發了信息過載。Media Research（艾媒咨詢）數據顯示，截至2019年，中國移動電商用戶規模將突破7億人。各大電商平臺正在尋求一種個性化推薦的服務模式，對不同的用戶提供不同的服務策略和服務內容，其中，用戶興趣建模的準確性是個性化推薦系統的關鍵。

在目前用戶興趣建模的研究成果梳理中發現，針對用戶興趣遷移問題，經典的解決方法為時間窗口和遺忘曲線，而這些算法往往將用戶興趣衰減同等對待，沒有考慮到用戶興趣類型的不同。通常長期興趣較穩定，而短期興趣不穩定，但具有很高的實時性。另外，推薦領域的絕大多數文獻都側重于處理顯式評分數據，然而在許多實際情況下，特別是在電商商務推薦系統需要以隱式反饋為中心。針對以上問題，本文基于隱性反饋數據集提出了區分用戶長期興趣和短期興趣的用戶動態推薦模型DYLSI，通過對用戶興趣進行追蹤和建模，提取出用戶的長短期興趣模式，捕捉用戶興趣漂移，并得到用戶興趣分布，進一步豐富用戶畫像。

二、文獻綜述

（一）國外研究現狀。在基于長短期興趣混合的動態興趣模型中，Shtykh和Jin采用多層次的動態文件結構來反映用戶興趣的波動性，其中包含表示長期興趣的層次和短期興趣的層次，并強調了長期興趣的穩定性。Lee等人提出一種新的正態分布密度曲線遺忘函數，并將用戶模型定義為長短期興趣相結合的混合興趣模型，短期模型使用滑動窗口算法進行更新，長期模型采用正態漸進遺忘算法進行更新。Li等人在新聞個性化推薦中結合了長期興趣和短期興趣，首先根據用戶長期興趣的配置文件來區分用戶可能喜歡的新聞組，然后在每個長期興趣對應的推薦列表中根據短期興趣進行推薦。Bennett將用戶興趣劃分為長期興趣、短期興趣和除去短期興趣的長期興趣，實驗結果表明結合這三種興趣模式的檢索準確率最高。

（二）國內研究現狀。在基于長短興趣融合的動態興趣模型中，馮永等人提出一種攜帶歷史元素的循環神經網絡推薦模型負責用戶短期動態興趣建模，基于前饋神經網絡推薦模型對用戶長期興趣建模。黃敦賢將用戶興趣分為長期興趣、短期興趣和偶然興趣，分析三類興趣對用戶未來興趣預測的影響，構建用戶動態興趣模型。在呂學強等人的研究中，將用戶興趣分為短期興趣集合和長期興趣集合，通過滑動時間窗口來控制和判斷。在伍大清等人的研究中，將用戶興趣分為長期興趣和短期興趣，對短期興趣采用滑動窗口處理更新，對長期興趣采用最少使用淘汰算法。在王曉春等人的研究中，設計一種長短興趣結合的通用方法，將短期歷史近似定義為與測試查詢時間距離最近的n次的記錄，并根據不同n的取值計算短期興趣。

三、用戶長短期興趣識別算法

現有的協同過濾算法在計算推薦過程中將用戶訪問過的每個資源同等對待，這顯然是不合理的。一般來說，用戶近期訪問過的資源對推薦該用戶未來可能感興趣的資源起比較重要的作用，而早期的訪問記錄對生成推薦影響相對較小，這是因為用戶的興趣隨時間的推移不斷變化，而在較短的一段時間內用戶的興趣是相對穩定的，因此一個用戶感興趣的資源最可能是他近期訪問過的相似資源。

傳統推薦算法只考慮用戶間的相似性或項目間的相似性，而忽略了用戶興趣的動態變化，從而導致推薦精度會隨時間推移而下降。本文將用戶興趣分為短期興趣集合S和長期興趣集合L，通過時間窗口來控制和判斷，當時間窗口內對商品類別p的訪問次數超過閾值，將p加入短期興趣集合S。在時間窗口外，將訪問次數大于所有商品類別平均訪問次數的加入長期興趣集L。剩余的標識為無興趣。具體操作步驟如下：（1）設定時間窗口T的大小;（2）計算用戶u對商品類別i的訪問次數c;（3）設定短期興趣判斷閾值α，在時間窗口內，當c>α時，將商品類別i加入用戶u的短期興趣集合S中;（4）在時間窗口外，計算用戶u對所有商品類別的平均訪問次數avg_c，當c>avg_c時，將商品i加入到用戶u的長期興趣集合S中;（5）根據長短興趣集合中的商品在“雙十一”當天用戶購買集合中的命中率，來確定參數T，α;（6）基于長短期興趣列表進行TOP N推薦。

四、實驗與分析

（一）實驗設計

1、實驗數據。本文實驗數據采用的是來自廈門大學數據庫實驗室的淘寶2015年雙11交易數據集，包括了用戶id、商品id、商品類別、用戶操作行為類型（包括點擊、加購物車、購買和關注商品）和操作時間。

2、評估指標。精準率指分類正確的正樣本個數占分類器判定為正樣本的樣本個數的比例，召回率指分類正確的正樣本個數占真正的正樣本個數的比例，F1 score是精準率和召回率的調和平均數，見式（1）。

（1）

（二）實驗結果與分析

1、長短興趣劃分。通過用戶歷史數據來提取用戶的長短期興趣列表，然后對比預測日當天用戶的實際購買行為，來獲取預測的準確性。根據長短興趣提取規則，時間窗口大小T和短期興趣判斷閾值α能影響實驗結果，因此根據時間窗口T和短期興趣判斷閾值α的不同取值進行對比實驗。（圖1）

由圖1可知，時間窗口相同的情況下，隨著α值增大，F1-score呈現先增長后減小的趨勢。在相同α取值下，隨著時間窗口增大，F1-score呈現先增大后減小的趨勢。本文實驗中，當T=11，α=1時，長短期興趣提取規則的F1-score最高。

2、基于長短期興趣列表的TOP N推薦。根據用戶長短興趣區分及用戶興趣模式研究，可以得到長期興趣列表和短期興趣列表，在對用戶進行TOP N推薦時，需要考慮推薦列表中元素的排序問題。首先考慮不區分長短興趣的排序問題，即將長期興趣推薦列表中元素和短期興趣推薦列表中元素混合，然后根據用戶u對項目i的操作頻次降序排列，選取頻次最高的前N個元素進行推薦。

根據實驗結果，對于短期興趣推薦列表，精準率為42.54%，召回率為20.11%，F1-Score為27.21%;對于長期興趣推薦列表，精準率為17.08%，召回率為25.56%，F1-Score為20.47%。故短期興趣推薦列表中的精準率遠高于長期興趣推薦列表，而召回率略小于長期興趣推薦列表。綜合來看，短期興趣推薦列表的F1-Score值比長期興趣推薦列表高6%左右，因此短期推薦列表的推薦效果更好，基于長短期興趣列表的TOP N推薦中，應區分長短期興趣，優先推薦短期興趣、然后推薦長期興趣，不足N個時用最高頻次的無興趣列表中元素補充。

為了比較本文提出的算法與傳統算法之間捕捉用戶興趣漂移的效果，將本文的混合模型與傳統應對興趣漂移的遺忘曲線、時間窗口和基于矩陣分解的協同過濾算法進行對比。（圖2）

圖2給出了不同TOP N推薦數目N對推薦F1-Score的影響，其中N分別取值5、10、15、20、25。比較本文模型與基于矩陣分解的協同過濾、遺忘曲線和時間窗口算法，在不同N取值下本文模型的F1-Score均高于遺忘曲線和時間窗口，說明了本文模型在捕捉用戶興趣漂移的良好效果。

五、結論

用戶的興趣隨著時間的變化是不斷變化的，用戶興趣模式可以分為長期興趣和短期興趣，通常來說，長期興趣比較穩定，而短期興趣不穩定。本文首先通過用戶長短期興趣模式的區分和識別研究，得到用戶長期興趣列表和短期興趣列表。針對長短期興趣推薦排序問題，通過對比試驗結果，基于長短期興趣列表的TOP N推薦應區分長短期興趣，并優先推薦短期興趣、其次推薦長期興趣。對比于時間窗口、遺忘曲線和基于矩陣分解的協同過濾算法，本文算法在F1-score上獲得更好的效果。

本文基于用戶描述文件計算用戶興趣偏好時，結合長短期興趣模型，優化了推薦中隨時間變化的興趣漂移問題，同時提取了長短期興趣集合、用戶活躍度、項目流行度相關指標，可為用戶自動打標簽，為后續研究或者網站功能擴展提供更多選擇。同時，細分用戶長短期興趣之后，可以持續追蹤用戶長短興趣之間的演化機制，進一步研究用戶興趣的動態演化過程，具有很強的現實意義和應用價值。

主要參考文獻：

[1]艾媒新零售產業研究中心.2019中國電商半年度發展全景報告[EB/OL].艾媒網，2019.

[2]Shtykh R Y，Jin Q.Dynamically constructing user profiles with similarity-based online incremental clustering[J].International Journal of Advanced Intelligence Paradigms，2009.1（4）.

[3]Lee S K，Cho Y H，Kim S H.Collaborative filtering with ordinal scale-based implicit ratings for mobile music recommendations[J].Information Sciences，2010.180（11）.

[4]Li L.，Zheng L.，Yang F.，et al.Modeling and broadening temporal user interest in personalized news recommendation[J].Expert Systems with Applications，2014.41（7）.

[5]Bennett P.Modeling the Impact of Short- and Long-Term Behavior on Search Personalization[C].International Acm Sigir Conference on Research & Development in Information Retrieval.ACM，2012.

[6]馮永，張備，強保華，張逸揚，尚家興.MN-HDRM：長短興趣多神經網絡混合動態推薦模型[J].計算機學報，2018.

[7]黃敦賢.推薦系統中的用戶動態興趣模型研究[D].華南理工大學，2018.

[8]呂學強，王騰，李雪偉，董志安.基于內容和興趣漂移模型的電影推薦算法研究[J].計算機應用研究，2018.35（3）.

[9]伍大清，陽小華，馬家宇，胡東，吳取勁.基于隱式反饋的用戶興趣漂移方法[J].計算機應用與軟件，2010.27（9）.

[10]王曉春，李生，楊沐昀，趙鐵軍.一種長短期興趣結合的個性化檢索模型[J].中文信息學報，2016.30（3）.