近幾年，深度學(xué)習(xí)在人工智能、機(jī)器學(xué)習(xí)中取得了飛躍式的突破，特別是在語(yǔ)音識(shí)別和圖像識(shí)別等領(lǐng)域［1-3］。其中，深度神經(jīng)網(wǎng)絡(luò)由于結(jié)構(gòu)類似于生物神經(jīng)網(wǎng)絡(luò)，因此擁有高效、精準(zhǔn)抽取信息深層隱含特征的能力和能夠?qū)W習(xí)多層的抽象特征表示，且能夠?qū)缬?、多源、異質(zhì)的內(nèi)容信息進(jìn)行學(xué)習(xí)等優(yōu)勢(shì)，可以一定程度上處理推薦系統(tǒng)稀疏性、新物品、可擴(kuò)張性等問(wèn)題，這為推薦系統(tǒng)解決固有問(wèn)題帶來(lái)了新的機(jī)遇。

本文提出了基于深度神經(jīng)網(wǎng)絡(luò)結(jié)合多用戶-項(xiàng)目、協(xié)同過(guò)濾的推薦模型（Multi-View-CollaboraTIve Filtering integraTIng Deep Neural Network，MV-CFiDNN）［4-6］，基于深度神經(jīng)網(wǎng)絡(luò)理論，提取用戶、項(xiàng)目信息的深層隱含特征并自學(xué)習(xí)、優(yōu)化提取模型，最后結(jié)合多用戶-項(xiàng)目、協(xié)同過(guò)濾（CollaboraTIve Filtering）提供廣泛的個(gè)性化推薦。

基于深度學(xué)習(xí)的推薦系統(tǒng)通過(guò)將用戶和項(xiàng)目的各類原始數(shù)據(jù)信息提供給輸入層，在隱含層通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型進(jìn)行用戶、項(xiàng)目的隱特征學(xué)習(xí)及抽取，最后通過(guò)學(xué)習(xí)隱表示實(shí)現(xiàn)用戶、項(xiàng)目推薦［7-8］?；谏疃壬窠?jīng)網(wǎng)絡(luò)框架的兩次自學(xué)習(xí)并結(jié)合協(xié)同過(guò)濾的CFiDNN框架如圖1所示。CFiDNN框架兩大核心為：候選生成網(wǎng)絡(luò)融合協(xié)同過(guò)濾與排名網(wǎng)絡(luò)結(jié)合協(xié)同過(guò)濾。

其中，候選集產(chǎn)生以用戶在瀏覽歷史記錄中的提取特征作為輸入信息，然后基于多源數(shù)據(jù)庫(kù)檢索到與用戶相關(guān)的一個(gè)數(shù)據(jù)集，這一數(shù)據(jù)集就是候選集。這部分候選集通過(guò)協(xié)同過(guò)濾（CF）實(shí)現(xiàn)廣泛個(gè)性化。再通過(guò)用戶、項(xiàng)目的多類特征源學(xué)習(xí)計(jì)算相似性，實(shí)現(xiàn)最小排名集，最后基于協(xié)同過(guò)濾實(shí)現(xiàn)推薦。

1.1 候選集生成模塊

對(duì)于候選集生成，首先，將用戶瀏覽及搜索項(xiàng)目等歷史記錄信息映射為向量，然后對(duì)其求平均值獲取定長(zhǎng)表示；并且，輸入用戶地理信息特征值優(yōu)化個(gè)性化推薦效果，二值性和連續(xù)性特征值通過(guò)歸一化得到［0，1］范圍。其次，把所有輸入特征值拼接到同一個(gè)向量，并且把拼接后的向量輸予激活函數(shù)處理。最后，通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸給Softmax進(jìn)行分類，通過(guò)訓(xùn)練的特征與源項(xiàng)目進(jìn)行相似度計(jì)算，獲取相似度最高的N個(gè)項(xiàng)目作為候選模塊中的候選集，圖2為候選生成結(jié)構(gòu)圖。

基于生成的候選集協(xié)同過(guò)濾提供廣泛的個(gè)性化，組合基于用戶-項(xiàng)目相關(guān)度評(píng)價(jià)實(shí)現(xiàn)精準(zhǔn)、實(shí)時(shí)、個(gè)性化推薦。

候選集生成部分是基于多源異構(gòu)數(shù)據(jù)庫(kù)中學(xué)習(xí)選擇與用戶相關(guān)度較高的項(xiàng)目，對(duì)于預(yù)測(cè)用戶U，其瀏覽某一個(gè)信息的概率為：

其中，U是用戶特征值，V表示多源異構(gòu)數(shù)據(jù)庫(kù)，vi表示數(shù)據(jù)庫(kù)中第i個(gè)項(xiàng)目的特征值，U與vi向量擁有相等長(zhǎng)度，它兩通過(guò)點(diǎn)積在隱層全連接實(shí)現(xiàn)。

1.2 排序生成模塊

排序生成結(jié)構(gòu)與候選生成結(jié)構(gòu)類似，區(qū)別在于排序生成是對(duì)候選生成集升級(jí)細(xì)致分類排序。與傳統(tǒng)排序抽取特征值類似，神經(jīng)網(wǎng)絡(luò)排序也是通過(guò)拼接大量用戶、項(xiàng)目相關(guān)特征值（文本ID、瀏覽時(shí)長(zhǎng)等）。特征值的處理與候選生成類似，都基于向量化，區(qū)別在于排序生成網(wǎng)絡(luò)最后通過(guò)加權(quán)邏輯回歸訓(xùn)練，給前期產(chǎn)生的候選集再評(píng)分，評(píng)分較高的K個(gè)項(xiàng)目返回給用戶或通過(guò)協(xié)同過(guò)濾實(shí)現(xiàn)個(gè)性化推薦［8-10］。圖3為排序生成結(jié)構(gòu)圖。

設(shè)定部分Softmax分類過(guò)程：首先，對(duì)于候選生成集或排序生成列表的訓(xùn)練過(guò)程，通過(guò)對(duì)負(fù)樣本類別采用實(shí)際類別計(jì)算將數(shù)量減小到數(shù)千；其次，在推薦階段，不計(jì)Softmax歸一化，將項(xiàng)目評(píng)分轉(zhuǎn)化為點(diǎn)積空間的最近鄰尋找或協(xié)同過(guò)濾根據(jù)相關(guān)度計(jì)算；最后，選取與用戶U相關(guān)度最高的K項(xiàng)作為候選集或排序列表，然后通過(guò)協(xié)同過(guò)濾個(gè)性化推薦，把信息推薦給用戶。

1.3 多用戶—項(xiàng)目模型

基于多用戶、多項(xiàng)目的多源異構(gòu)特征結(jié)合兩次深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，從而實(shí)現(xiàn)個(gè)性化推薦。其實(shí)現(xiàn)思想為：首先，將原始特征值向量化后映射為用戶、項(xiàng)目?jī)蓚€(gè)通道；然后利用深度神經(jīng)網(wǎng)絡(luò)模型把用戶、項(xiàng)目信息向量映射到一個(gè)隱空間；最后，通過(guò)評(píng)估相似度（如余弦相似度法）把隱空間的用戶、項(xiàng)目進(jìn)行相關(guān)度等排名、匹配，從而實(shí)現(xiàn)精準(zhǔn)、個(gè)性化推薦。圖4為多用戶-項(xiàng)目DNN（Deep Neural Network）模型結(jié)構(gòu)［11-12］。

在用戶視角，利用其瀏覽歷史、搜索（Search tokens）、位置信息、二值性（登錄與否、性別）和連續(xù)性（年齡）、觀看時(shí)長(zhǎng)等作為源特征值輸入xu，然后通過(guò)深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型學(xué)習(xí)輸出隱表示yu。在項(xiàng)目視角，利用項(xiàng)目的描述、標(biāo)簽、類型等作為源特征值輸入xi，通過(guò)深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型學(xué)習(xí)輸出隱表示yi，其中模型擁有多個(gè)用戶、項(xiàng)目，分別為m、N。用戶視角DNN模型為fu（xu，wu），第i個(gè)項(xiàng)目視角DNN模型為fi（xi，wi）。若擁有M個(gè)樣本{（xu，j，xa，j）}，0≤j≤M，（xu，j，xa，j）是用戶u與項(xiàng)目a的交互，利用用戶、項(xiàng)目的擬合交互記錄進(jìn)行調(diào)參學(xué)習(xí)：

通過(guò)模型訓(xùn)練、學(xué)習(xí)之后獲得的用戶隱表示yu與項(xiàng)目隱表示yi，利用在隱空間中計(jì)算用戶與項(xiàng)目的相關(guān)度、排名，選擇相關(guān)度排序較高的k項(xiàng)目以及源數(shù)據(jù)庫(kù)協(xié)同過(guò)濾實(shí)現(xiàn)精準(zhǔn)、個(gè)性化推薦。

1.4 特征值向量化

特征值向量化是通過(guò)詞組嵌入，將特制文本映射到w維空間向量。首先，把用戶、項(xiàng)目所有相關(guān)聯(lián)特征值分別合并，并對(duì)特征值量化為評(píng)分?jǐn)?shù)據(jù)然后求其平均值，即對(duì)多源異構(gòu)原始數(shù)據(jù)進(jìn)行評(píng)分式數(shù)據(jù)處理及歸一化。

（1）用戶特征數(shù)據(jù)為：

1.5 全連接層

全連接層（隱層）輸入數(shù)據(jù)為用戶、項(xiàng)目源特征值向量化后的值，設(shè)隱含層共m個(gè)神經(jīng)元，通過(guò)隱含層ReLU激活函數(shù)處理后，獲得向量ui，就是用戶useri隱特征值，同理，項(xiàng)目itemj的隱特征值向量為vj，計(jì)算過(guò)程如下：

1.6 矩陣分解

最后，利用Adam深度學(xué)習(xí)優(yōu)化方式對(duì)預(yù)測(cè)與真實(shí)評(píng)分進(jìn)行擬合［13］，對(duì)于一些擁有評(píng)分的項(xiàng)目，使預(yù)測(cè)最大可能接近真實(shí)，由此學(xué)習(xí)推薦，對(duì)新物品實(shí)現(xiàn)個(gè)性化推薦（未評(píng)分項(xiàng)目預(yù)測(cè)真實(shí)評(píng)分無(wú)限接近預(yù)測(cè)值）。

2.1 實(shí)驗(yàn)環(huán)境

算法性能分析的實(shí)驗(yàn)環(huán)境以Windows Server2012 R2操作系統(tǒng)為實(shí)驗(yàn)支撐，相關(guān)配置為：Intel Xeon Silver 4116 CPU處理器，編程語(yǔ)言Python，128 GB內(nèi)存，雙GPU。編譯環(huán)境在Anaconda的Jupyter Notebook中實(shí)現(xiàn)并采用MATLAB進(jìn)行仿真。

2.2 數(shù)據(jù)集合

本文通過(guò)2個(gè)真實(shí)、實(shí)時(shí)數(shù)據(jù)集，對(duì)深度神經(jīng)網(wǎng)絡(luò)融合協(xié)同過(guò)濾推薦模型進(jìn)行評(píng)估，數(shù)據(jù)集分別為Amazon Movies and TV（AMT）評(píng)論評(píng)分與Amazon Clothing（AC）視頻評(píng)論、評(píng)分。數(shù)據(jù)包括用戶ID、物品ID及用戶評(píng)論、評(píng)分。評(píng)分值為1~5，值越大用戶喜好度越高。同時(shí)，實(shí)驗(yàn)數(shù)據(jù)按需求進(jìn)行訓(xùn)練集TrainSet與測(cè)驗(yàn)集TestSet劃分，且二者沒(méi)有交集。

2.3 評(píng)價(jià)標(biāo)準(zhǔn)

本文提出的深度神經(jīng)網(wǎng)絡(luò)融合協(xié)同過(guò)濾推薦模型通過(guò)用戶與項(xiàng)目的各類歷史記錄中抽取隱特征，然后對(duì)特征值進(jìn)行學(xué)習(xí)預(yù)判、排序。因此本文應(yīng)用均方根誤差（RMSE）作為評(píng)價(jià)此模型的指標(biāo)，通過(guò)學(xué)習(xí)特征模型與真實(shí)特征計(jì)算偏差，并求平方，然后與預(yù)測(cè)數(shù)據(jù)量N做比值平方根，計(jì)算公式如下：

2.4 實(shí)驗(yàn)對(duì)比

實(shí)驗(yàn)通過(guò)3個(gè)有效模型進(jìn)行比較，分別為ProbabilisTIc Matrix Factorization（PMF）、LibMF和DNNMF。

2.5 執(zhí)行時(shí)間對(duì)比分析

深度神經(jīng)網(wǎng)絡(luò)（DNN）推薦算法與傳統(tǒng)協(xié)同過(guò)濾（CF）運(yùn)行時(shí)間對(duì)比：實(shí)驗(yàn)處理數(shù)據(jù)為AMT、AC真實(shí)數(shù)據(jù)，大小為1.88 GB。深度神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)為1 024個(gè)，隱含層18個(gè)，輸出節(jié)點(diǎn)1 024個(gè)，Spark集群節(jié)點(diǎn)為3，比較深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練與傳統(tǒng)協(xié)同過(guò)濾處理數(shù)據(jù)集的耗時(shí)。實(shí)驗(yàn)結(jié)果如圖5所示，其中user表示用戶測(cè)試數(shù)據(jù)集耗時(shí)，item表示商品測(cè)試數(shù)據(jù)集耗時(shí)。顯然，DNN執(zhí)行效率更高。

2.6 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)在2個(gè)真實(shí)數(shù)據(jù)集下通過(guò)本文提出的MV-CFi-DNN模型進(jìn)行計(jì)算評(píng)估，同時(shí)用RMSE來(lái)對(duì)模型進(jìn)行評(píng)估預(yù)測(cè)，在相同實(shí)驗(yàn)環(huán)境與同一數(shù)據(jù)前提下，將MV-CFi-DNN與PMF、LibMF做比較分析。

參數(shù)設(shè)置為：用戶、項(xiàng)目特征值權(quán)重分別為α=1，β=0.5，MV-CFiDNN模型學(xué)習(xí)率為lr=0.000 65，用戶、項(xiàng)目隱特征正則化為λuser=λitem=λ，深度神經(jīng)網(wǎng)絡(luò)神經(jīng)元數(shù)為1 026個(gè)。

為了將MV-CFiDNN模型與PMF、LibMF模型對(duì)比，把2個(gè)真實(shí)數(shù)據(jù)集隨機(jī)分為80%的TrainSet與20%的TestSet，且兩者沒(méi)有交集，同時(shí)把TestSet中的20%數(shù)據(jù)集隨機(jī)用于驗(yàn)證，用來(lái)調(diào)整模型參數(shù)。

從圖6可知，通過(guò)在2個(gè)真實(shí)數(shù)據(jù)集中測(cè)試后，PMF、LibMF的RMSE值相差不大，但與MV-CFiDNN模型的RMSE值有一定差異，表明深度神經(jīng)網(wǎng)絡(luò)融合多用戶-項(xiàng)目、協(xié)同過(guò)濾模型對(duì)于特征值抽取有很好效果。通過(guò)實(shí)驗(yàn)結(jié)果可以看出，本文提出的深度神經(jīng)網(wǎng)絡(luò)融合多用戶-項(xiàng)目協(xié)同過(guò)濾模型（MV-CFiDNN）的RMSE值與PMF、LibMF模型比較，都有下降，說(shuō)明MV-CFiDNN模型能夠解決傳統(tǒng)算法模型的稀疏性、新物品等問(wèn)題。