陶名康 王新利 宋燕

摘要：基于非負(fù)矩陣分解的協(xié)同過濾模型在高維稀疏數(shù)據(jù)的預(yù)測(cè)和填補(bǔ)上十分有效，該模型具有推薦個(gè)性化、有效利用其他相似用戶回饋信息的優(yōu)點(diǎn)，但也存在預(yù)測(cè)精度較低等不足。針對(duì)用戶或項(xiàng)目在不同情景下的評(píng)分差異性，提出了一種改進(jìn)的基于潛在因子多樣性的非負(fù)矩陣分解的協(xié)同過濾模型。該模型充分考慮在不同情境下，用戶和項(xiàng)目潛在特征矩陣的多樣性，在模型的訓(xùn)練中，采用了單元素非負(fù)乘法更新規(guī)則和交替方向法，保證了目標(biāo)矩陣的非負(fù)性，且提高了模型的收斂率。在真實(shí)的工業(yè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，相比于經(jīng)典的非負(fù)矩陣分解模型，該模型的預(yù)測(cè)精度有了明顯提高。

關(guān)鍵詞：協(xié)同過濾；特征矩陣多樣性；非負(fù)矩陣分解；非負(fù)乘法更新；交替方向法

中圖分類號(hào)：TP 391

文獻(xiàn)標(biāo)志碼：A

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，很多領(lǐng)域都產(chǎn)生了海量數(shù)據(jù)，在對(duì)這些大數(shù)據(jù)進(jìn)行分析與挖掘的過程中，推薦系統(tǒng)是一種廣泛采用的技術(shù)。推薦系統(tǒng)是一個(gè)學(xué)習(xí)系統(tǒng)，包括用戶、項(xiàng)目和用戶對(duì)項(xiàng)目的評(píng)分3種基本成分。它通過對(duì)已有評(píng)分?jǐn)?shù)據(jù)的學(xué)習(xí)，獲得用戶的行為偏好，建立用戶和項(xiàng)目之間的關(guān)系，為用戶提供個(gè)性化的推薦，使得用戶更快速簡(jiǎn)便地找到自己所需要的信息，從而促進(jìn)點(diǎn)擊和購買行為的發(fā)生[1-2]。協(xié)同過濾推薦[3]是推薦系統(tǒng)中應(yīng)用最廣泛的推薦算法之一，一般分為3種類型：基于用戶（ user-based）的協(xié)同過濾、基于項(xiàng)目（ item-based）的協(xié)同過濾、基于模型（ model-based）的協(xié)同過濾?；谟脩舻膮f(xié)同過濾[4]通過計(jì)算用戶和用戶之間的相似度，找出相似用戶偏好的項(xiàng)目，并預(yù)測(cè)目標(biāo)用戶對(duì)相應(yīng)項(xiàng)目的評(píng)分，把評(píng)分最高的若干個(gè)項(xiàng)目推薦給用戶。而基于項(xiàng)目的協(xié)同過濾[5]則是通過考慮項(xiàng)目和項(xiàng)目之間的相似度，然后根據(jù)預(yù)測(cè)評(píng)分進(jìn)行推薦?；谀Ｐ偷膮f(xié)同過濾[6]是一種使用更普遍的推薦算法，它基于樣本的用戶喜好信息，訓(xùn)練一個(gè)推薦模型，然后根據(jù)實(shí)時(shí)的用戶信息進(jìn)行預(yù)測(cè)推薦，使用的主要方法有聚類[7]、分類[8]、回歸[9]、矩陣分解[10]、神經(jīng)網(wǎng)絡(luò)[11]等。

在推薦系統(tǒng)中，一般情況下用戶無法對(duì)每一個(gè)項(xiàng)目評(píng)分，而每一個(gè)項(xiàng)目也不能被所有的用戶點(diǎn)擊，只有部分用戶和部分?jǐn)?shù)據(jù)之間有評(píng)分?jǐn)?shù)據(jù)，其他部分評(píng)分空白。因此，由用戶對(duì)項(xiàng)目的評(píng)分構(gòu)成的評(píng)分矩陣一般是一個(gè)高維稀疏矩陣。由于基于矩陣分解的協(xié)同過濾在處理此類矩陣的預(yù)測(cè)和填補(bǔ)方面具有較高的準(zhǔn)確性和可擴(kuò)展性[10]，它是目前基于模型的協(xié)同過濾廣泛采用的一種方法。矩陣分解，直觀上來說就是把原來的大矩陣，近似分解成兩個(gè)包含潛在變量的小矩陣，其中一個(gè)代表用戶的潛在特征，另一個(gè)代表項(xiàng)目的潛在特征。矩陣的元素表示用戶或項(xiàng)目對(duì)各潛在因子的符合程度，這兩個(gè)小矩陣被稱為潛在因子特征矩陣。另一方面，為了使學(xué)習(xí)到的特征矩陣更準(zhǔn)確地代表實(shí)際意義，并使獲得的模型更具有可解釋性，通常需要對(duì)特征矩陣進(jìn)行非負(fù)性約束。在模型的學(xué)習(xí)中，單元素非負(fù)乘法更新規(guī)則[12]（ SIF-NMU）和交替方向法[13]（ADM）是目前最常用的訓(xùn)練原則，它可以避免調(diào)節(jié)學(xué)習(xí)率，同時(shí)還保證了潛在因子的非負(fù)性。

傳統(tǒng)的基于矩陣分解的協(xié)同過濾模型通過把高維矩陣映射為兩個(gè)低維潛在因子矩陣，使得模型具有較高的預(yù)測(cè)精度。但是，影響評(píng)分?jǐn)?shù)據(jù)的很大一部分因素和用戶對(duì)物品的喜好無關(guān)，而只取決于用戶或物品本身的特性。例如，對(duì)于樂觀的用戶來說，它的評(píng)分等級(jí)普遍偏高，而對(duì)批判性用戶來說，他的評(píng)分等級(jí)普遍偏低。通常改進(jìn)的基于矩陣分解的協(xié)同過濾，通過在模型中加入偏置項(xiàng)[14-15]來體現(xiàn)這些獨(dú)立于用戶或物品的因素，使預(yù)測(cè)精度較傳統(tǒng)的矩陣分解有很大提升。然而這些模型并沒有考慮同一個(gè)用戶或項(xiàng)目在不同情景下的評(píng)分差異性，不能充分體現(xiàn)用戶和項(xiàng)目的潛在因子矩陣客觀上具有多樣性的特點(diǎn)。通常用戶或項(xiàng)目所在的場(chǎng)景不同或用戶的情緒變化都會(huì)影響潛在因子特征矩陣的狀態(tài)。例如，某用戶在某天心情較好時(shí)可能會(huì)給某部電影的打分偏高，反之心情不好的時(shí)候可能打分偏低；同一部電影在南方上映的評(píng)分可能會(huì)比較高，而在北方上映的評(píng)分會(huì)相對(duì)偏低。這些影響用戶和項(xiàng)目評(píng)分的信息隱藏在評(píng)分矩陣中，忽略這些重要的隱藏信息會(huì)造成模型的預(yù)測(cè)精度下降。

為了解決這一問題，本文考慮了用戶和項(xiàng)目的潛在因子矩陣多樣性這一重要的隱含特征，提出了一種基于潛在因子多樣性的非負(fù)矩陣分解的協(xié)同過濾模型（ non-negative matrix-factorization-diversity-based， NMFD），刻畫了用戶和項(xiàng)目的情景差異性，并且在訓(xùn)練模型參數(shù)時(shí)集成了單元素非負(fù)乘法更新規(guī)則和交替方向法訓(xùn)練原則，保證了矩陣元素的非負(fù)性，使得模型具有更強(qiáng)的解釋性。同已有的模型相比較，該模型在減少計(jì)算和存儲(chǔ)成本的同時(shí)，推薦的精度也有明顯提升。

1 模型與學(xué)習(xí)方法

1.1 非負(fù)矩陣分解模型（NMF）

協(xié)同過濾的推薦算法通常將用戶關(guān)于項(xiàng)目的評(píng)分矩陣作為基本的數(shù)據(jù)輸入源。用M表示用戶組成的集合，Ⅳ代表項(xiàng)目組成的集合，用戶對(duì)項(xiàng)目的評(píng)分構(gòu)成的評(píng)分矩陣，記為RIMlxINI。其中：H表示集合中所有元素的個(gè)數(shù)；RIMlxINI中的元素記為rm它表示第m個(gè)用戶對(duì)第n個(gè)項(xiàng)目的評(píng)分（偏好）。通常，某一個(gè)用戶不能點(diǎn)擊所有的項(xiàng)目，某個(gè)項(xiàng)目也不能被所有的用戶點(diǎn)擊，所以，評(píng)分矩陣RIMlxIN嗵常是高維稀疏（HiDS）的。

在經(jīng)典的基于矩陣分解的協(xié)同過濾模型中[10]，給定的評(píng)分矩陣R被分解為兩個(gè)秩為s的矩陣pIMlxs，QINlxs。一般情況下，令s《min {IMI，INI），則R ≈ pQT。這里的P和Q被稱為用戶和項(xiàng)目的潛在因子矩陣，代表用戶和項(xiàng)目隱藏在評(píng)分?jǐn)?shù)據(jù)中的特征。基于潛在因子矩陣分解協(xié)同過濾模型的基本方法是尋找最優(yōu)的P和Q，使得R中有評(píng)分的位置（實(shí)際值）與pQT得到的相應(yīng)評(píng)分位置（預(yù)測(cè)值）之間的誤差最小，目標(biāo)函數(shù)為式中：Loss表示損失函數(shù)；||.||表示矩陣的F范數(shù)。

由于現(xiàn)實(shí)世界的評(píng)分不會(huì)出現(xiàn)負(fù)值，在式（l）中加入非負(fù)性約束，可以使所涉及的參數(shù)P和Q在訓(xùn)練過程中保證非負(fù)性。在形式上可以得到

為了防止模型在訓(xùn)練過程中發(fā)生過擬合，在目標(biāo)函數(shù)中加入Tikhonov正則化，可以提高模型的性能[16]，結(jié)合式（2）可以得到最終優(yōu)化的目標(biāo)函數(shù)為

1.3 NMFD模型的求解

首先使用加性梯度下降法（AGD），對(duì)式（5）各個(gè)變量進(jìn)行更新。

值得注意的是，如果A，B，C，D的初始值是非負(fù)的，那么經(jīng)過SLF-NMU更新之后它們的值也為非負(fù)。

由于P和Q都進(jìn)行了分解，則模型的解空間擴(kuò)大，最優(yōu)解容易陷入鞍點(diǎn)或者局部最優(yōu)，從而導(dǎo)致模型收斂的速度變得緩慢。根據(jù)文獻(xiàn)[13]，將交替方向法加入訓(xùn)練過程中可以提高模型的收斂率。訓(xùn)練規(guī)則為，首先將原始問題分解成幾個(gè)子問題，然后按順序解決每一個(gè)子問題。其中，每一個(gè)子問題的解依賴于上一個(gè)子問題的解，即

2 算法設(shè)計(jì)與分析

基于以上討論，本文設(shè)計(jì)了NMFD算法，如算法1所示。值得注意的是，算法1依賴4個(gè)過程，分別為Update_A，Update_B，Update_C，Update_D。由于訓(xùn)練過程非常相似，本文只給出了Update_A的訓(xùn)練細(xì)節(jié)，如算法2所示。從算法1可知，基于ADM訓(xùn)練規(guī)則，A，B，C，D按順序進(jìn)行了更新，后一次的更新依賴于前一次的結(jié)果。

算法1 NMFD模型

設(shè)置潛在因子維數(shù)s，最大迭代次數(shù)T，收斂閾值δ，n=1。具體計(jì)算步驟如下：

Step 1輸入原始評(píng)分矩陣R以及已知的元素

接下來考慮NMFD算法的復(fù)雜度，可以知道，在高維稀疏矩陣中，通常有IAI》max {IMI，INI）。因此，通過忽略低階項(xiàng)和常數(shù)可以得到Update_A的計(jì)算復(fù)雜度為

而NMFD算法依賴4個(gè)過程，所以最終得到NMFD的計(jì)算復(fù)雜度為

由于n和s都是正常數(shù)，因此在高維稀疏矩陣中，NMFD模型算法的復(fù)雜度與觀察到的元素個(gè)數(shù)呈線性關(guān)系，所以在現(xiàn)實(shí)中容易實(shí)施。

3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 評(píng)估指標(biāo)及對(duì)比模型

由于本文關(guān)注的是模型預(yù)測(cè)生成數(shù)據(jù)的準(zhǔn)確性，故采用平均絕對(duì)誤差（ MAE）和均方根誤差（ RMSE）來作為評(píng)價(jià)指標(biāo)。具體表達(dá)式如下：式中，P表示驗(yàn)證集，并且YciA=o。

從以上兩個(gè)評(píng)價(jià)標(biāo)準(zhǔn)表達(dá)式可以得知，MAE和RMSE數(shù)值越小代表模型的預(yù)測(cè)精度越高。

實(shí)驗(yàn)對(duì)比模型為：Ml（帶有正則化的NMFD）和M2（不帶正則化的NMFD）分別表示本文提出的帶有正則化項(xiàng)和不帶正則化項(xiàng)的NMFD模型，M3（帶有正則化的DF NMF）和M4（不帶正則化的DF NMF）分別表示基于二分解（DF）的帶正則化和不帶正則化的NMF模型[10]。

3.2 實(shí)驗(yàn)數(shù)據(jù)集

為了驗(yàn)證本文模型的有效性，針對(duì)以下4個(gè)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)：

a．DI（MovieLens）。該數(shù)據(jù)集是電影MovieLens采用的0.5～5的評(píng)分等級(jí)，包含610個(gè)用戶對(duì)9724部電影的評(píng)價(jià)，創(chuàng)建時(shí)間從1995年1月至2015年3月，其密度為1.70%[17]。

b．D2（Filmtrust）。這是2011年從FilmTrust網(wǎng)站獲取的不完整數(shù)據(jù)集，其中包含1 508名用戶和2071部電影，評(píng)分等級(jí)為0.5～4，評(píng)分矩陣密度為1.14%[18]。

c．D3（ Learning-from-sets-2019）；該數(shù)據(jù)集是2016年2月至4月從MovieLens網(wǎng)站收集得到的，包含854個(gè)用戶對(duì)6473部電影的評(píng)分，評(píng)分等級(jí)為0.5～5，其評(píng)分矩陣密度為0.53%[19]。

d．D4（ Eachmovie）。該數(shù)據(jù)集是1997年DECSystems Research Center運(yùn)行EachMovie推薦系統(tǒng)18個(gè)月，在此期間記錄的72916個(gè)用戶對(duì)1 628部電影的評(píng)分，評(píng)分等級(jí)為1～6。它的評(píng)分矩陣密度為9.89%c20]。

為了易于比較，在實(shí)驗(yàn)之前本文將數(shù)據(jù)集Dl-D4映射到[0，5]。為了消除偏差和主觀因素，本文采用20%～80%的測(cè)試集一訓(xùn)練集劃分，并使用5折交叉驗(yàn)證。為了說明NMFD模型的有效性，訓(xùn)練過程重復(fù)50次。

3.3對(duì)比分析

由于正則化系數(shù)對(duì)于模型性能影響較大[21]，所以在對(duì)比實(shí)驗(yàn)進(jìn)行之前，需要對(duì)上述模型中的參數(shù)利用交叉驗(yàn)證方法進(jìn)行敏感度實(shí)驗(yàn)。在實(shí)驗(yàn)時(shí)發(fā)現(xiàn)λ1，λ2取不同值時(shí)，實(shí)驗(yàn)的精度影響不明顯。所以為了簡(jiǎn)化實(shí)驗(yàn)，在Ml和M3中令A(yù)i=λ2=λ，即僅對(duì)單一的參數(shù)進(jìn)行訓(xùn)練。

表1給出了模型Ml，M3在Dl-D4上λ的最優(yōu)值。表2和圖1給出了Ml-M4在Dl-D4上訓(xùn)練的RMSE結(jié)果和收斂曲線。表3和圖2給出了Ml-M4在Dl-D4上訓(xùn)練的MAE結(jié)果和收斂曲線。從表2和圖1可得如下結(jié)論：

a．Ml在Dl-D4上整體表現(xiàn)較好，但是在不同的數(shù)據(jù)集之間存在著差異，Ml在Dl-D4上最終收斂的RMSE分別為0.2680，0.3561，0.0717，0.9141。整體而言，Ml在Dl-D4上的表現(xiàn)最好，這是因?yàn)镸l中擁有更多的自由變量，使得模型最終的解空間擴(kuò)大，從而導(dǎo)致精度提升。

b．在加入Tikhonov正則化項(xiàng)之后，模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)精度比不帶正則化的模型有明顯的提升。比如：在Dl上．Ml最終收斂的RMSE為0.2680，而M2最終收斂的RMSE為0.3405；在D2上，Ml最終收斂的RMSE為0.3561，而M2在Dl上最終收斂的RMSE為0.4170；在D3上，Ml最終收斂的RMSE為0.0717，而M2最終收斂的RMSE為0.1719；在D4上，Ml最終收斂的RMSE為0.914 1，而M2最終收斂的RMSE為0.9410。相同的結(jié)論可以從圖2和表3可以得到。

由于潛在因子維數(shù)s對(duì)算法的存儲(chǔ)和計(jì)算效率具有比較大的影響，所以接下來將s從5增加到100來訓(xùn)練模型，訓(xùn)練過程中的收斂曲線由圖3給出。從圖3易看出，Ml的RMSE在4個(gè)數(shù)據(jù)集中都是最小的。但是由前面算法復(fù)雜度式（ 10）可知，s越大，算法的復(fù)雜度就越高，訓(xùn)練時(shí)間隨之變長，并且隨著s的增加，模型的精度不再有所提升，如圖3（c）所示。所以本文選取s=20來平衡預(yù)測(cè)精度和計(jì)算效率。

表4記錄了模型Ml-M4在數(shù)據(jù)集Dl-D4上關(guān)于RMSE的收斂時(shí)間。從表2、表3和表4可以看出，Ml和M2雖然增加了一定的計(jì)算負(fù)擔(dān)，但是預(yù)測(cè)精度相比M3和M4有了大幅提高，更加適合在線實(shí)時(shí)進(jìn)行和對(duì)計(jì)算精度要求比較高的實(shí)驗(yàn)。

4 結(jié)論

本文從矩陣的二分解出發(fā)，通過考慮用戶和項(xiàng)目潛在因子矩陣的多樣性，提出了NMFD模型。針對(duì)現(xiàn)實(shí)工業(yè)界評(píng)分?jǐn)?shù)據(jù)的非負(fù)性特點(diǎn)，引入了AGD和SLF-NMU算法來保證訓(xùn)練過程中用戶和項(xiàng)目潛在因子的非負(fù)性。由于訓(xùn)練的參數(shù)較多，為了防止模型在迭代過程中陷入局部最優(yōu)，又將ADM原則加入到算法中，提高了模型的收斂性。最后在4個(gè)真實(shí)的數(shù)據(jù)集上做了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的帶有Tikhonov正則化項(xiàng)的NMFD在適當(dāng)犧牲一些時(shí)間的情況下，預(yù)測(cè)缺失數(shù)據(jù)精度比經(jīng)典的矩陣二分解模型有顯著提升。未來可以將NMFD模型與帶偏置的NMF結(jié)合，對(duì)該模型進(jìn)行進(jìn)一步的拓展研究。

參考文獻(xiàn)：

[1]姚靜天，王永利，侍秋艷，等，基于聯(lián)合物品搭配度的推薦算法框架[J]上海理工大學(xué)學(xué)報(bào)，2017，39（1）： 45-53．

[2]王國霞，劉賀平．個(gè)性化推薦系統(tǒng)綜述[J]計(jì)算機(jī)]工程與應(yīng)用，2012，48（7）： 66-76．

[3]姚曜，趙洪利，楊海濤，等.協(xié)同過濾技術(shù)研究綜述[J]．裝備指揮技術(shù)學(xué)院學(xué)報(bào)，2011，22（5）： 81-88．

[4]王成，朱志剛，張玉俠，等，基于用戶的協(xié)同過濾算法的推薦效率和個(gè)性化改進(jìn)[J]．小型微型計(jì)算機(jī)系統(tǒng)，2016，37（3）： 428-432．

[5]傅鶴崗，王竹偉．對(duì)基于項(xiàng)目的協(xié)同過濾推薦系統(tǒng)的改進(jìn)[J]重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2010，24（9）： 69-74．

[6]王碩，基于模型的協(xié)同過濾推薦算法研究[D]．北京：北京郵電大學(xué)，2019．

[7]盧志茂，馮進(jìn)玫，范冬梅，等，面向大數(shù)據(jù)處理的劃分聚類新方法[J].系統(tǒng)工程與電子技術(shù)，2014， 36（5）：1010-1015.

[8]鄒斌，董雪梅，付麗華，等，基于算法穩(wěn)定的分類機(jī)器學(xué)習(xí)泛化能力的研究[J]模式識(shí)別與人工智能，2004，17（4）： 430-433.

[9]李振波，楊晉琪，岳峻，基于協(xié)同回歸模型的矩陣分解推薦[J]圖學(xué)學(xué)報(bào)，2019， 40（6）： 983-990.

[10]王鵬，基于矩陣分解的推薦系統(tǒng)算法研究[D]．北京：北京交通大學(xué)、2015.

[11] YI B L SHEN X X，LIU H，et al.Deep matrixfactorization with implicit feedback embedding forrecommendation system[J]. IEEE Transactions onIndustrial Informatics. 2019， 15（8）： 4591-4601.

[12] LUO X，ZHOU M C，XIA Y N，et al.An efficient non-negative

matrix-factorization-based

approach

tocollaborative filtering for recommender systems[J]. IEEETransactions on Industrial Informatics， 2014， 10（2）：1273-1284.

[13] LUO X，ZHOU M C，LI S，et al.A nonnegative latentfactor model for large-scale sparse matrices inrecommender systems via altemating direction method[J].IEEE Transactions on Neural Networks and LearningSystems， 2016， 27（3）： 579-592.

[14]王建芳，劉冉東，劉永利，一種帶偏置的非負(fù)矩陣分解推薦算法[J]小型微型計(jì)算機(jī)系統(tǒng)，2018， 39（1）： 69-73.

[15]畢華玲，周微、盧福強(qiáng)，引入偏置的矩陣分解推薦算法研究[J]計(jì)算機(jī)應(yīng)用研究，2018， 35（10）： 2928-2931.

[16]張航，葉東毅，一種基于多正則化參數(shù)的矩陣分解推薦算法[J].計(jì)算機(jī)工程與應(yīng)用，2017， 53（3）： 74-79.

[17] HARPER F M， KONSTAN J A The MovieLens datasets：history and context[J]. ACM Transactions on InteractiveIntelligent Systems， 2016， 5（4）： 1068-1074.

[18] GUO G B，ZHANG J，YORKE-SMITH N.A novelbayesian

similarity

measurefor

recommendersystems[C]//Proceedings of the Twenty-Third InternationalJoint Conference on Artificial Intelligence. Beijing： AAAIPress. 2013： 2619-2625.

[19] SHARMA M， HARPER F M， KARYPIS G.Learning fromsets of items in recommender systems[J]. ACMTransactions on Interactive Intelligent Systems， 2019， 9（4）：1-26.

[20] MCJONES P. EachMovie collaborative filtering dataset[J]. Dec Systems Research Center. 1997， 24（9）： 57-68.

[21] LUO X，ZHOU M C，XIAO Y N，et al.Generating highlyaccurate predictions for missing QoS data via aggregatingnonnegative latent factor models[J]. IEEE Transactions onNeural Networks and Learning Systems， 2016， 27（3）：524-537，

（編輯：丁紅藝）