1. 引言

在如今的个性化时代，推荐算法无疑是当今算法领域的一大热点。它被应用在电商，新闻等各个领域，在这些领域中也发挥着至关重要的作用。近年来，深度学习技术迅速发展，很多推荐算法模型都把深度学习技术与协同过滤模型相结合。

新加坡国立大学的何向南博士首次提出了神经协同过滤模型(Neural Collaborative Filtering, NCF) [1]。文中何博士在此框架下融合了广义矩阵分解(GMF)和多层感知机模型(MLP)，前者通过利用线性内核来建模用户与项目潜在特征向量之间的交互关系，后者则是使用非线性内核学习交互函数，进一步优化推荐模型，此模型被命名为神经矩阵分解模型(Neural Matrix Factorization, NMF)。针对NMF无法同时捕获用户长期偏好和短期偏好的问题，论文 [2] 提出在神经协同过滤模型的框架下，将长短期记忆网络和广义矩阵分解进行融合，同时捕捉用户的短期偏好和长期偏好。利用长短期记忆网络对时序数据的强拟合能力，学习用户的短期偏好信息，捕捉序列的长依赖关系，通过广义矩阵分解学习用户的长期偏好信息，这对推荐性能有了进一步的提高。

近年来，注意力机制被广泛应用到深度学习模型中，针对目标项目的不同进行更有针对性的推荐。2017年，浙江大学提出了注意力因子分解机(AFM) [3]，在因子分解机的基础上，对每个特征交叉结果加入注意力得分，并利用注意力网络计算注意力得分。但是这个注意力网络的训练过程比较复杂。2019年阿里巴巴提出了深度兴趣网络(DIN) [4]，在传统深度学习推荐模型基础上引入注意力机制，利用用户行为历史和目标项目的相关性计算注意力得分。

综合深度学习和注意力机制在推荐算法模型上的优良表现，本文在LSMF模型上进行进一步的改进，由于LSMF没有充分利用除了用户行为序列以外的特征，对于用户的个人信息特征没有做提取，浪费了很多已知的关键信息，导致推荐精度不够。因此在LSMF模型的基础上，本文提出了融合注意力机制的LSMF模型(ALSMF)。通过引入注意力机制，为各个项目和特征分配注意力权重来更好的表达推荐场景中用户的个性化喜好，提高推荐质量和推荐的可解释性。

2. 相关知识

2.1. 神经协同过滤模型

神经协同过滤模型利用隐式反馈数据，即不关注具体评分，只关注用户与项目是否有交互行为，利用深度神经网络结构来学习任意交互函数，为每个用户生成一个推荐列表，其框架结构如图1所示。NCF将传统矩阵分解模型中的内积操作替换为“多层神经网络 + 输出层”的结构，这样可以使用户和项目向量之间进行更充分的交叉，从而获得更多的特征组合信息，而这种非线性特征的加入也将使模型的表达能力获得提升 [5]。

2.2. 注意力机制

注意力机制(Attention Mechanism) [6] [7] 在神经网络中有着非常优秀的表现，在众多领域的研究中都非常重要。追溯其根源，注意力机制借鉴了人类独有的快速筛选能力，简单说便是在繁杂的信息中极为迅速地找出价值高的信息，这是通过不断学习获得的成果，可以放大研究部分的细节，使得观察更加精细。例如人在超市中寻找需要的货品型号，会迅速地观察全部区域，找到区域中的重要部分，之后对这一部分继续使用注意力寻找，来得到更多的与所需物品的细致信息，在此同时还会自动忽略其它的干扰信息。

在翻译和自动文摘中，只有输入序列中特定的某些单词可能对预测下一个单词有帮助。注意力机制通过允许模型动态地聚焦于输入的特定部分来提高任务的效率而将这种相关性概念结合起来。特别在比较长的序列之中，注意力机制发挥的作用更加重大，可以在长序列中寻找到其中的重点，增加其预测效率与准确率。它们对神经网络的研究也有重要贡献，在此之前一直将神经网络看作为一个黑盒，并不知道其中的过程，而注意力机制可以在一定程度解释神经网络，提高对机器学习的透明性和公平性的认知 [8]。

使用注意力机制的模型是对人脑注意力的模仿，参考人脑将注意力集中在重要部分，在此部分投入更多的注意力，降低在其他部分的注意力投入，利用有限的资源，更加高效地寻找到深度学习中起作用的重要因素，与此同时减少其它因素的不利影响 [9]。

注意力机制大多作为深度学习模型中的一个组成部分，负责捕获数据的相互依赖性和重要性，进行重新组合后得到更具有代表性和泛化性的数据。

注意力机制权重计算的基本公式如下 [10]：

$e_{i,j}=a\left(H_i,H_j\right)$(1)

$a_{i,j}=\frac{\exp \left(e_{i,j}\right)}{{\displaystyle {\sum }_{k=1}^H\exp \left(e_{i,k}\right)}}$(2)

$C_i={\displaystyle {\sum }_{j=1}^H{a}_{i,j}{H}_j}$(3)

其中， $H_i$表示嵌入向量中的第i个向量，a表示注意力分布函数， $C_i$表示经过注意力机制处理后的第i个新向量。

3. 融合注意力机制的改进神经协同过滤模型

3.1. 实验数据集

本文选择MovieLens-1M作为实验数据集，其中包含users.dat，movies.dat和ratings.dat三个数据文件。其中ratings.dat拥有来自6040位在2000年加入MovieLens的用户对3706部电影的100多万条从1星到5星评级信息，其中每个用户评级过的电影数据均大于20。文件users.dat中含有6040个用户的基本特征属性，包括用户id，性别，年龄，职业类别，所在地区邮编的信息。

3.2. 数据预处理

对数据集进行预处理，提取出每一次交互中的用户的id，年龄，性别，职业，最近十次的观看历史的电影id，下一次预测的电影id，以及预测评分。模型采用隐式数据，即所有与用户有交互的项目预测评分都设置为1。本文选择利用留一法(leave-one-out)进行实验验证。把每个用户最新的评分信息作为测试集，把其他的交互信息作为训练集。同时为每一次正交互对应4个负样本，即4个没有与用户有过交互行为的电影，这些项目评分设置为0。为了避免对所有项目排序造成的耗时过长，所以实验是从所有的项目样本中随机选择99个没有评分的电影，然后将测试集中的电影与这些电影一起输入到模型进行排序。交互信息取每个用户近十次的电影id，不足10次则添0。

3.3. 模型框架

融合注意力机制的长短期记忆网络矩阵分解模型(简称ALSMF)是在神经协同过滤模型的基础上，将注意力机制，广义矩阵分解和长短期记忆网络相结合，除了同时捕获用户的长期偏好和短期偏好以外，还可以通过用户历史观看序列和用户个人信息进行学习来提升推荐模型的性能。如图2所示，左侧模型利用注意力机制针对不同的用户属性对于推荐结果的影响，赋予它们不同的权重来凸显用户偏好关系。右侧模型通过长短期记忆网络捕捉用户历史记录中的短期偏好。引入注意力机制的核心思想是在原有的广义矩阵分解模型的基础上加上用户个性化信息向量以此对用户特征向量进行重构。ALSMF模型框架如图2所示。

1) 嵌入层

本文利用按照时间戳排序后的用户和项目id作为模型的输入，而模型根据实际可以有不同的输入。首先模型将用户id和项目id进行one-hot编码，然后将这种稀疏向量映射成稠密向量作为用户和项目的特征向量。将用户历史交互记录进行one-hot编码，作为用户交互特征向量输入到LSTM层。将用户的性别年龄，职业输入作为用户特征属性输入，同样进行one-hot编码后，输入到Attention层。

2) LSTM模块

模型通过LSTM来捕获用户和项目的时间依赖性，对时序信息循环计算以挖掘上下文关系，通过构造用户状态和电影状态进行自回归计算，对推荐系统中的用户行为序列进行分析。

模型通过上一时刻的用户和项目状态预测此时的用户和电影状态 [11]，然后预测此时用户和项目进行交互地可能性。

$u_{u,t+1}=g\left(u_{ut},\left\{r_{ui|t}\right\}\right)$(4)

$m_{i,t+1}=h\left(m_{it},\left\{r_{ui|t}\right\}\right)$(5)

基于用户评分行为预测评分问题表示为：

${\hat{r}}_{ui|t}=f\left(u_{ut},m_{it}\right)$(6)

式中， $r_{ui|t}$和 ${\hat{r}}_{ui|t}$分别表示用户u在时刻t对电影i的实际评分和预测评分。

3) GMF

通过嵌入层得到了用 $P^{\text{T}}{V}_u^U$表示的用户 $p_u$的特征向量， $Q^{\text{T}}{V}_i^I$表示的项目的特征向量 $q_i$，然后将神经协同过滤模型中的第一层的映射函数 [12] 定义为：

${\varphi }_1\left(p_u,q_i\right)=p_u\odot q_i$(7)

上式中⊙表示向量的点积，然后将向量映射到输出层。

${\hat{y}}_{ui}=a_{out}\left(h^{\text{T}}\left(p_u\odot q_i\right)\right)$(8)

其中 $a_{out}$表示输出层的激活函数，h表示边缘权重。

4) 注意力模块

将用户的id，性别，年龄，职业等信息进行one-hot编码后，输入到Attention网络中，自动捕捉用户关键属性，并计算每个属性的个性化权重。利用用户的属性信息来丰富用户的潜在向量表示。注意力网络定义如下：

$a\left(p_u,q_{att{r}_n}\right)=\text{softmax}\left(\text{Relu}\left(w\left(p_u\odot q_{att{r}_n}\right)+b\right)\right)$(9)

其中，w和b分别为权重矩阵和偏置向量，softmax为激活函数输出注意力权重， $a\left(p_u,q_{att{r}_n}\right)$表示用户u对每个属性的注意力系数。

5) 输出层

注意力模块的输出向量与GMF的输出向量共同得到用户的长期偏好信息，然后将此向量与LSTM层输出的向量进行拼接。利用sigmoid作为激活函数，使用对数损失函数(log loss)学习h进行优化。

${\hat{y}}_{ui}=\sigma \left(h^{\text{T}}\left[{\varphi }_{\text{ATT-GMF}},{\varphi }_{\text{LSTM}}\right]\right)$(10)

4. 实验结果及分析

4.1. 评估标准

本实验选择留一法(leave-one-out)进行实验验证。即取用户交互的最新信息作为测试集，其他历史交互信息作为训练集。为了避免对所有项目排序造成的耗时过长，所以实验是从所有的项目样本中随机选择99个没有评分的电影，然后将测试集中的电影与这些电影一起输入到模型进行排序。

本文将命中率(Hits Ratio, HR)和归一化折损累积增益(Normalized Discounted Cumulative Gain, NDCG) [13] 作为性能评估标准。

$HR@K=\frac{NumberOfHits@K}{\left|GT\right|}$(11)

$NDCG@K=Z{\displaystyle \underset{i=1}{\overset{K}{\sum }}\frac{2^{x_i}-1}{\log \left(1+i\right)}}$(12)

在式(11)中，GT所表示的是所有用户测试集合中的项目总数，分子表示推荐列表中属于其测试集合的项目总数。式(12)中，Z是归一化因子，表示理想推荐列表的折损累计增益。 $x_i$是第i个项目的预测相关性。两式中K表示排名个数，本文取K = 10。

4.2. 实验结果及分析

本文对四种不同的模型进行对比，分别为神经网络矩阵分解模型(NMF)，深度兴趣网络(DIN)长短期记忆网络矩阵分解模型(LSMF)和融合注意力的长短期记忆网络矩阵分解模型(ALSMF)。将模型训练50轮后，取不同模型的性能平均值，得出结果如表1所示。图3，图4显示了NMF，DIN，LSMF，ALSMF的性能对比。

通过以上实验数据，本文可以得出结论，ALSMF模型在命中率和归一化折损累积增益两个评价指标上相对于另外三个模型都有明显的提高。NMF，DIN和LSMF大约在在训练十轮后达到最优性能模型，而ALSMF在训练第5轮时即达到最优性能模型。因此ALSMF的推荐性能相较于另外三个模型更加优秀。

5. 总结

本文首先对于推荐算法目前的研究情况做了分析和介绍，并重点针对神经协同过滤模型和注意力机制做了比较详细的介绍。针对论文提出的长短期记忆矩阵分解模型没有充分利用用户的属性信息的问题，本文提出了在此模型基础上引入注意力机制，命名为融合注意力的长短期矩阵分解模型(ALSMF)。利用注意力机制自动捕获用户属性对推荐模型的影响，赋予不同属性不同的权重。最终在MovieLens-1M数据集上进行实验验证，对比NMF，DIN和LSMF模型，证明本文提出的ALSMF在推荐性能上有较大的提升。

在接下来的工作中，可以加入更加丰富的属性特征，例如项目属性，电影的类型，主演人员等等，从而挖掘更多的信息进一步提高模型性能。

参考文献