融合多模态深度游走与偏差校准因子的推荐模型

doi:10.11772/j.issn.1001-9081.2021061086

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (8): 2432-2439.DOI: 10.11772/j.issn.1001-9081.2021061086

所属专题：人工智能

融合多模态深度游走与偏差校准因子的推荐模型

武子腾, 宋承云()

重庆理工大学计算机科学与工程学院，重庆 400054

收稿日期:2021-06-25 修回日期:2021-09-14 接受日期:2021-10-15 发布日期:2021-12-27 出版日期:2022-08-10
通讯作者: 宋承云
作者简介:武子腾（1996—），女，河北邯郸人，硕士研究生，主要研究方向：推荐系统、信息检索、数据挖掘；
宋承云（1988—），男，甘肃靖远人，副教授，博士，CCF会员，主要研究方向：机器学习、图算法、数据挖掘。
基金资助:
国家自然科学基金资助项目(41804112);重庆理工大学研究生创新项目(clgycx20202093)

Recommendation model incorporating multimodal DeepWalk and bias calibration factor

Ziteng WU, Chengyun SONG()

College of Computer Science and Engineering，Chongqing University of Technology，Chongqing 400054，China

Received:2021-06-25 Revised:2021-09-14 Accepted:2021-10-15 Online:2021-12-27 Published:2022-08-10
Contact: Chengyun SONG
About author:WU Ziteng， born in 1996， M. S. candidate. Her research interests include recommender system， information retrieval， data mining.
SONG Chengyun， born in 1988， Ph. D.， associate professor. His research interests include machine learning， graph algorithm， data mining.
Supported by:
National Natural Science Foundation of China(41804112);Chongqing University of Technology Graduate Innovation Program(clgycx 20202093)

摘要/Abstract

摘要：

曝光偏差严重影响协同过滤模型的推荐精度，导致预测结果偏离用户的真实兴趣，而现有模型对曝光偏差的建模能力有限，甚至放大偏差。为此，提出融合多模态深度游走与偏差校准因子（MmDW-BC）的推荐模型。首先，引入项目多模态属性特征作为项目图的连接边，从而缓解低曝光项目交互数据稀疏的问题；在此基础上，构建图嵌入模块——多模态深度游走（MmDW）将项目多模态信息融入嵌入向量，以获取丰富的节点表示；最后，基于校准策略设计新的偏差校准推荐算法进行用户偏好预测。将提出的模型应用于Amazon和ML-1M数据集上，实验结果验证所提模型明确考虑曝光偏差来提升推荐精度的必要性和有效性。

关键词: 推荐模型, 曝光偏差, 偏差校准, 项目曝光度, 用户活跃度

Abstract:

Exposure bias seriously affects the recommendation accuracy of collaborative filtering model， resulting in the prediction results deviating from the real interests of users. However， the modeling ability of the existing models for exposure bias is limited， and these models even magnify the bias. Therefore， a recommendation model that integrates Multimodal DeepWalk and Bias Calibration factor （MmDW-BC） was proposed. Firstly， the multimodal attribute features of items were introduced as the connected edges in item graph to alleviate the problem of interactive data sparsity of low-exposure items. On this basis， the graph embedding module， Multimodal DeepWalk （MmDW）， was constructed to obtain rich node representation by integrating item multimodal information into the embedding vectors. Finally， a new bias calibration algorithm was designed based on the calibration strategy to predict user preferences. Experimental results on Amazon and ML-1M datasets show that definitely considering exposure bias to improve the recommendation accuracy in MmDW-BC recommendation model is necessary and effective.

Key words: recommender model, exposure bias, bias calibration, item exposure, user activity

中图分类号:

TP181

武子腾, 宋承云. 融合多模态深度游走与偏差校准因子的推荐模型[J]. 计算机应用, 2022, 42(8): 2432-2439.

Ziteng WU, Chengyun SONG. Recommendation model incorporating multimodal DeepWalk and bias calibration factor[J]. Journal of Computer Applications, 2022, 42(8): 2432-2439.

图/表 11

图1 项目交互数（曝光度）分布图

Fig. 1 Distribution diagram of item interaction number （exposure）

图2 MmDW-BC模型的结构

Fig. 2 Structure of MmDW-BC model

图3 未引入辅助边和引入辅助边的项目图

Fig. 3 Item graphs without edges and with auxiliary edges

表1 数据集的细节描述

Tab. 1 Details of datasets

数据集	用户数	项目数	交互记录数	稀疏度/%
Amazon	6 489	17 538	1 297 366	98.86
ML-1M	6 040	3 706	1 000 209	95.53

表2 Amazon数据集中元数据字段的含义

Tab. 2 Meanings of metadata fields in Amazon dataset

名称	含义
asin	项目的ID
title	项目名
description	项目的文本描述
imageurl	项目的图像链接
price	项目的价格
brand	项目所属的品牌名称
categories	项目的类别

图4 LOO划分数据集

Fig. 4 LOO method to divide dataset

表3 本文用到的参数

Tab. 3 Parameters used in this paper

参数	值
相似度阈值 $b$	0.5
上下文窗口大小 $w$	10
嵌入维度 $d$	128
每个点作为随机走序列起点的次数 $γ$	80
采样序列的长度 $t$	20
推荐列表的长度 $N$	50

表3 本文用到的参数

Tab. 3 Parameters used in this paper

参数	值
相似度阈值 $b$	0.5
上下文窗口大小 $w$	10
嵌入维度 $d$	128
每个点作为随机走序列起点的次数 $γ$	80
采样序列的长度 $t$	20
推荐列表的长度 $N$	50

表4 本文模型与基线模型的性能对比

Tab. 4 Performance comparison of the proposed model and baseline models

数据集	模型	recall@50	ndcg@50	novelty@50	diversity@50
Amazon	MostPop	0.057	0.035	0.176	0.211
	Item-KNN	0.070	0.039	0.192	0.313
	DeepWalk	0.075	0.042	0.280	0.398
	NetMF	0.083	0.046	0.347	0.426
	RankALS+ Re-ranking	0.096	0.045	0.366	0.524
	ProNE	0.101	0.052	0.415	0.600
	MmDW-BC	0.123	0.059	0.553	0.686
ML-1M	MostPop	0.045	0.088	0.154	0.323
	Item-KNN	0.047	0.091	0.160	0.351
	DeepWalk	0.051	0.094	0.211	0.376
	NetMF	0.055	0.099	0.242	0.394
	RankALS+ Re-ranking	0.050	0.120	0.276	0.435
	ProNE	0.058	0.112	0.314	0.458
	MmDW-BC	0.072	0.117	0.380	0.499

表5 消融实验的结果

Tab. 5 Ablation experimental results

数据集	模型	recall@50	ndcg@50	novelty@50	diversity@50
Amazon	Item-KNN	0.070	0.039	0.192	0.313
	DeepWalk	0.075	0.042	0.280	0.398
	MmDW	0.105	0.058	0.358	0.496
	BC	0.110	0.053	0.476	0.649
	MmDW-BC	0.123	0.059	0.553	0.686
ML-1M	Item-KNN	0.047	0.088	0.154	0.323
	DeepWalk	0.051	0.091	0.160	0.351
	MmDW	0.054	0.103	0.235	0.360
	BC	0.060	0.111	0.340	0.426
	MmDW-BC	0.072	0.117	0.380	0.499

图5 推荐性能随N值的变化

Fig. 5 Recommendation performance varying with value of N

图6 推荐性能随k值的变化

Fig. 6 Recommendation performance varying with value of k

参考文献 22

1	刘华真，王巍，谷壬倩，等.基于用户浏览行为的个性化推荐研究综述［J］.计算机应用研究， 2021， 38（8）： 2268-2277. 10.19734/j.issn.1001-3695.2020.10.0347
	LIU H Z， WANG W， GU R Q， et al. Survey of personalized recommendation study based on user browsing behavior［J］. Application Research of Computers， 2021， 38（8）： 2268-2277. 10.19734/j.issn.1001-3695.2020.10.0347
2	冯兴杰，曾云泽.基于用户评论的动态方面注意力电商推荐深度学习模型［J］.计算机应用与软件， 2020， 37（3）： 38-44， 71. 10.3969/j.issn.1000-386x.2020.03.007
	FENG X J， ZENG Y Z. A deep learning model of dynamic aspect attention e-commerce recommendation based on user comments［J］. Computer Applications and Software， 2020， 37（3）： 38-44， 71. 10.3969/j.issn.1000-386x.2020.03.007
3	CHEN T， YIN H Z， CHEN H X， et al. AIR： Attentional Intention-aware Recommender systems ［C］// Proceedings of the IEEE 35th International Conference on Data Engineering. Piscataway： IEEE， 2019： 304-315. 10.1109/icde.2019.00035
4	EBESU T， SHEN B， FANG Y. Collaborative memory network for recommendation systems ［C］// Proceedings of the 41st International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2018： 515-524. 10.1145/3209978.3209991
5	LUO X S， YANG Y H， ZHU K Q， et al. Conceptualize and infer user needs in e-commerce ［C］// Proceedings of the 28th ACM International Conference on Information and Knowledge Management. New York： ACM， 2019： 2517-2525. 10.1145/3357384.3357812
6	JI H Y， ZHU J X， SHI C， et al. Large-scale comb-K recommendation ［C］// Proceedings of the Web Conference 2021. New York： ACM， 2021： 2512-2523. 10.1145/3442381.3449924
7	SHAO H J， WANG J， LIN H H， et al. Controllable and diverse text generation in e-commerce ［C］// Proceedings of the Web Conference 2021. New York： ACM， 2021： 2392-2401. 10.1145/3442381.3449838
8	张玉洁，董政，孟祥武.个性化广告推荐系统及其应用研究［J］.计算机学报， 2021， 44（3）： 531-563. 10.11897/SP.J.1016.2021.00531
	ZHANG Y J， DONG Z， MENG X W . et al. Research on personalized advertising recommendation systems and their applications［J］. Chinese Journal of Computers， 2021， 44（3）： 531-563. 10.11897/SP.J.1016.2021.00531
9	BONNER S， VASILE F. Causal embeddings for recommendation ［C］// Proceedings of the 12th ACM Conference on Recommender Systems. New York： ACM， 2018： 104-112. 10.1145/3240323.3240360
10	DASH A， CHAKRABORTY A， GHOSH S， et al. When the umpire is also a player： bias in private label product recommendations on e-commerce marketplaces ［C］// Proceedings of the 2021 ACM Conference on Fairness， Accountability， and Transparency. New York： ACM， 2021： 873-884. 10.1145/3442188.3445944
11	WU Z T， SONG C Y， CHEN Y Q， et al. A review of recommendation system research based on bipartite graph［J］. MATEC Web of Conferences， 2021， 336： No.05010. 10.1051/matecconf/202133605010
12	WANG X， HUANG T L， WANG D X， et al. Learning intents behind interactions with knowledge graph for recommendation ［C］// Proceedings of the Web Conference 2021. New York： ACM， 2021： 878-887. 10.1145/3442381.3450133
13	WANG X， HE X N， CAO Y X， et al. KGAT： knowledge graph attention network for recommendation ［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 950-958. 10.1145/3292500.3330989
14	PEROZZI B， AI-RFOU R， SKIENA S. DeepWalk： online learning of social representations ［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 701-710. 10.1145/2623330.2623732
15	HAN J Y， ZHENG L， XU Y B， et al. Adaptive deep modeling of users and items using side information for recommendation［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 31（3）： 737-748. 10.1109/tnnls.2019.2909432
16	SUN R， CAO X Z， ZHAO Y， et al. Multi-modal knowledge graphs for recommender systems ［C］// Proceedings of the 29th ACM International Conference on Information and Knowledge Management. New York： ACM， 2020： 1405-1414. 10.1145/3340531.3411947
17	QIU J Z， DONG Y X， MA H， et al. Network embedding as matrix factorization： unifying DeepWalk， LINE， PTE， and node2vec ［C］// Proceedings of the 11th ACM International Conference on Web Search and Data Mining. New York： ACM， 2018： 459-467. 10.1145/3159652.3159706
18	ZHANG J， DONG Y X， WANG Y， et al. ProNE： fast and scalable network representation learning ［C］// Proceedings of the 29th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2019： 4278-4284. 10.24963/ijcai.2019/594
19	McAULEY J， TARGETT C， SHI Q F， et al. Image-based recommendations on styles and substitutes ［C］// Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2015： 43-52. 10.1145/2766462.2767755
20	STECK H. Calibrated recommendations ［C］// Proceedings of the 12th ACM Conference on Recommender Systems. New York： ACM， 2018： 154-162. 10.1145/3240323.3240372
21	倪晗昱.基于用户兴趣漂移和语义特征的新闻推荐系统设计与实现［D］.北京：北京邮电大学， 2020： 25-85.
	NI H Y. Design and implementation of news recommendation system based on user interest drift and semantic features［J］. Beijing： Beijing University of Posts and Telecommunications， 2020： 25-85.
22	ABDOLLAHPOURI H， BURKE R， MOBASHER B. Managing popularity bias in recommender systems with personalized re-ranking ［C］// Proceedings of the 32nd International Florida Artificial Intelligence Research Society Conference. Palo Alto， CA： AAAI Press， 2019： 413-418. 10.1145/3383313.3418487

[1]	鲍彩倩, 徐建民, 张国防. 基于用户动态交互行为扩展的信念网络推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1115-1121.
[2]	顾军华, 樊帅, 李宁宁, 张素琪. 基于知识图偏好注意力网络的长短期推荐模型及其更新方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1079-1086.
[3]	张杨, 董士程. 面向并发程序中锁机制的智能化推荐方法[J]. 计算机应用, 2021, 41(6): 1597-1603.
[4]	任俊伟, 曾诚, 肖丝雨, 乔金霞, 何鹏. 基于会话的多粒度图神经网络推荐模型[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3164-3170.

融合多模态深度游走与偏差校准因子的推荐模型

Recommendation model incorporating multimodal DeepWalk and bias calibration factor

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 22

相关文章 4

编辑推荐

Metrics