基于图卷积神经网络的家具推荐方法

黄雨洁, 李 昕, 胡基柔, 陶 卓

(1.南京邮电大学计算机学院, 江苏 南京 210023;2.南京邮电大学管理学院, 江苏 南京 210023)

0 引言(Introduction)

随着人们消费水平的提升,对个性化家具的购买需求逐渐增大,而通常城市中家具城的地理位置相对偏远、退换货流程不便,加之人们的生活节奏加快,选购家具比较困难。针对以上问题,家具行业智能化推荐方法显得尤为重要。2019年由中华人民共和国工业和信息化部等十三个部门印发的《制造业设计能力提升专项行动计划(2019—2022年)》也指出要实现传统优势产业设计升级,这对家具行业的转型升级提出了更高的要求[1]。

推荐系统在实现家具行业智能化的过程中起到了重要的作用,并且近年来各类推荐算法也不断进步[2]。有研究表明,卷积神经网络相比于传统的推荐算法,可以通过邻域聚合操作,实现对节点邻居信息的更精准统计[3]。本文将基于图卷积神经网络的协同过滤算法应用于家具推荐,根据用户对部分家具的评分以及其性别、年龄和薪资等特征属性和家具特征属性,进行二层图卷积神经网络的搭建,实现对家具评分的预测,帮助用户高效选购家具。

1 背景介绍(Background information)

1.1 家具行业发展现状及趋势

经济的持续快速发展与现代化建设的不断推进以及居民收入水平的不断提高,为中国家具行业提供了良好的发展环境。进入经济全球化、贸易全球化与互联网时代,人们对思想与审美的个性化追求与商品性价比的要求逐步提升,加之移动互联网的发展、各类3D模型技术的精进和推荐算法的不断优化,家具装饰移动应用应运而生,具有巨大的市场潜力。

家具行业属于创意性传统企业。此前,我国家具行业中企业数量较多,但行业集中度较低。随着居民生活节奏的加快,实体店的客流量逐渐减少。为适应消费者的消费需求,家具定制逐渐与互联网融合,电子商务快速发展,O2O(Online To Offline)模式的普及度逐渐提升,电商利用互联网聚集了大量的家具供应商,并运用大数据实现精细化管理,通过推送算法根据用户喜好为其推送关注的内容。此外,O2O模式得以与推送算法结合,给予消费者更多交互体验,能让消费者在虚拟的世界中获得更多的信息[4]。家具装饰移动应用通过高性价比的功能与精细管理吸引了大量消费者。

1.2 协同过滤推荐系统发展

推荐系统随着互联网的发展而快速进步,而协同过滤作为推荐系统中的经典算法,在推荐领域中起着重要作用。1994年,GroupLens项目组在明尼苏达大学首次开发出一种全新的自动化协同过滤系统,它不仅首次将协同过滤的理论应用于实践,更进一步将推荐问题的系统模型纳入其中,这一创新性的技术将在未来几十年里极大地促进推荐系统的发展[5]。该小组随后创建了一个试点研究网站MovieLens,其中包含迄今为止在推荐领域被广泛引用的数据集,影响深远。

协同过滤算法细分可以分为以用户为基础(User-based)的协同过滤算法、以项目为基础(Item-based)的协同过滤算法、以模型为基础(Model-based)的协同过滤算法。以模型为基础的协同过滤算法是前两种算法的进一步发展,也是目前应用最为广泛的协同过滤算法[6]。

2016年,视频网站YouTube尝试通过结合深度学习的协同过滤算法满足视频推荐需求的增长,通过实验证明,推荐系统和深度学习的结合可以取得良好效果。自此,推荐系统与深度学习结合研究成为热点[7]。近年来,将图神经网络(Graph Neural Network, GNN)应用至协同过滤算法中也是一个研究热点,其中包括图卷积神经网络(Graph Convolution Network, GCN)[8]。研究表明:GCN相比传统的方法,能够更高效地利用推荐系统以及数据中存在的用户属性和商品属性信息构建图的结构属性和节点特征信息[9-10]。因此,GCN在推荐系统中的应用有着良好的发展前景。

2 图卷积神经网络推荐算法介绍(Introduction to GCN recommendation algorithms)

在推荐系统中有两组集合分别是用户集U={u1,u2,u3,…,un}和家具集F={f1,f2,f3,…,fm}。用R={ruf}表示用户u对家具f的评分。用以上数据集构建用户-家具的二部图G=(V,E)。其中,V=U∪F,即该二部图中的所有节点由用户节点和家具节点构成。E=R表示用户对家具的评分值构成二部图中的边。由此可知,用户对家具的评分越高,则关联越强。构造的用户-家具二部图G如图1所示。G的邻接矩阵记为A,其中Aij代表i节点和j节点是否连接。G的度矩阵记为D,Dii表示节点i的度。GCN用来传播用户和家具的特征,其计算公式如下:

图1 用户-家具二部图Fig.1 User-furniture bipartite graph

(1)

3 图卷积神经网络推荐算法框架介绍(Introduction to GCN recommendation algorithm framework)

基于GCN的家具推荐方法的基本框架可分为输入层、卷积层及输出层。输入层主要负责生成相关图结构数据。卷积层传播用户和家具的特征,并不断优化用户和家具的特征表示。输出层将不同卷积层得到的用户和家具的特征表示聚合,预测用户对家具的评分。

输入层用于生成相关图结构数据以及初始化用户与家具的特征表示。图结构数据主要包括节点自身的特征向量以及图的邻接矩阵和度矩阵等。本层将每一条用户与家具信息转换为向量表示。在本文实验中,向量的维度设置为64,节点的特征向量可表示为[用户id/家具id,性别/价格,…]。邻接矩阵体现了各个节点之间的关系,为卷积层中传播用户和家具特征奠定了基础。

卷积层主要完成传播特征及不断完善用户及家具的特征表示的任务。文献[12]指出一旦使用多层卷积层,相关任务的传播效果会急剧下降,所以本实验采用两层卷积层,具体的计算公式如公式(2)所示:

(2)

其中:σ为非线性激活函数ReLU,W(0)为第一层GCN的特征权重矩阵,W(1)为第二层GCN的特征权重矩阵。通过堆叠多个图卷积网络层,模型可以输出各个节点更高维度的特征表示,利用这些特征表示可以实现后续节点的预测。

(3)

基于GCN的家居推荐方法框架如图2所示。

图2 基于GCN的家具推荐方法框架Fig.2 A framework for furniture recommendation methods based on GCN

4 实验分析(Experimental analysis)

4.1 实验环境

本文构建的GCN模型基于深度学习框架PyTorch实现,CPU处理器采用Intel(R) Core(TM)i7-10710U,GPU处理器采用NVIDIA GeForce MX350。

4.2 数据集

为验证本文所提出的基于GCN的家具推荐方法的准确性,本实验共收集了910名用户对50种家具的22 750条评分记录,其中每个用户至少评价25种家具,评分的取值位于整数1～5,评分越高,意味着用户越喜爱这种家具。本实验随机选择评分记录的70%作为训练集,剩余的30%作为测试集。

4.3 数据预处理

在实验中,为910名用户添加了性别、年龄和薪资等特征属性,最终形成910×4的用户特征矩阵。用户特征属性如表1所示。

表1 用户特征属性

本文实验为50种家具添加了价格、材质、尺寸及颜色4种特征属性,最终形成50×5的家具特征矩阵。同时,利用收集到的用户对家具的评分可以构建用户-家具三元组[user_id,item_id,rating],可以用来描述用户节点与家具节点之间的关系,通过这个三元组可以构建邻接矩阵。

4.4 实验结果评估标准

本文实验算法的评估标准主要是三个方式:精确度、召回率和均方根误差值。

精确度(Precision)以预测的结果作为判断依据,表示为推荐结果中与真实数据相同的数据与推荐数据的比值,代表推荐数据中的正确率,如公式(4)所示:

(4)

公式(4)中,对于用户u的推荐家具的集合为R(u),而用户u喜欢的家具集合为T(u)。

召回率(Recall)表示预测结果与真实数据相同的正确数据与真实数据的比值,代表真实数据的推荐率,如公式(5)所示:

(5)

均方根误差(RMSE)是预测值和真实值偏差的平方和与观测次数的比值的平方根,衡量的是预测数据与真实数据的偏差,对于异常数据较为敏感,如公式(6)所示:

(6)

其中:N表示观测次数,Yi-f(xi)表示观测值与真实值的偏差。

4.5 基线方法

为证明本文提出的基于GCN的家具推荐算法的准确性,选用ItemCF和UserCF与之进行比较[13]。

ItemCF:通过用户行为计算物品相似度,根据物品之间的相似度与用户历史行为形成用户推荐表,适用于用户个性化推荐。

UserCF:根据用户之间相似度,给目标用户推荐相似用户产生过行为的物品。UserCF的推荐更社会化,适用于新闻推荐。

4.6 实验结果分析

本文实验选取精确度、召回率与均方根误差作为推荐算法的性能衡量指标,精确度、召回率的数值越高,均方根误差的数值越低,代表推荐算法的性能越好。为研究不同模型对协同过滤算法性能的影响,本实验利用家具喜爱度问卷搜集到的数据集,分别对GCN、ItemCF、UserCF三种算法进行算法测试。在三组实验数据中,三种算法得到的精确度、召回率和均方根误差如表2所示,评估数据视图如图3所示。

表2 协同过滤算法评估数据对比

图3 评估数据视图Fig.3 Assessment data view

根据图3得知,在精确度和召回率方面,ItemCF的算法得分要高出其他两种算法,但在均方根误差指标方面,GCN要明显低于其他两种算法的指标,可以达到约0.26,ItemCF和UserCF则都大于1.8。对比结果可知,基于GCN的推荐算法相比ItemCF和UserCF,在均方根误差上实现了更好的性能,而ItemCF在精确度与召回率上实现了更好的性能。本文提出的GCN算法优化是可取的,精确度与召回率相差较小的情况下,均方根误差越小,说明算法越好,拟合程度越高,即对于用户的推荐效果就越好。在用户或者物品较多的场合,ItemCF与UserCF的物品相似度矩阵的计算代价较大,损失也较大,对比ItemCF与UserCF,GCN在Loss训练上的表现更好。综上所述,GCN在数据量较多时,根据同时聚合的用户与家具的特征,捕捉全图信息,模型结果更加准确,预测值更加接近真实值,对于用户的推荐效果更好。

5 结论(Conclusion)

针对当下人们对个性化家具的购买需求的增大,本文提出了一种基于图卷积神经网络的家具推荐方法。该推荐方法通过建立图卷积神经网络获取不同层的用户-家具特征,将多层特征表示聚合后进行评分预测。开展实验与其他常见协同过滤算法进行比较,结果表明该推荐方法在精确度、召回率和Loss训练上都有较好的效果。下一步将结合家具商品的实际市场,进一步优化模型,提升推荐效果。