SCI论文（www.lunwensci.com）:
摘要：传统IPTV推荐难以挖掘用户与节目之间隐式反馈,同时面向实践的IPTV推荐引擎单一。提出基于图表示学习的IPTV推荐系统,构建“用户—节目”历史交互为高阶异构图；利用轻量图卷积操作捕获用户与节目之间的协同信号提取用户偏好,进行评分预测。与MostPopular、BPR、基于神经网络和基于传统图神经网络的协同过滤等主流技术对比验证了方法的先进性,并利用某通信运营商脱敏数据分析验证了在实际场景中的可用性。
关键词：IPTV；推荐系统；图卷积神经网络
IPTV Recommendation System Based on Lightweight Graph Convolutional Neural Network
WEI Feng1,HU Fei1,WANG Chenzi1,WANG Liping2,YANG Jiajia2,YANG Zhengyi2
(1.China Telecom Corporation Limited Chongqing Branch,Chongqing 401121;2.School of Big Data&Software Engineering,Chongqing University,Chongqing 401331)
【Abstract】：Traditional IPTV recommendation is difficult to mine the implicit feedback between users and programs,and the practice-oriented IPTV recommendation engine is single.An IPTV recommendation system based on graph learning is proposed,and the historical interaction of"User-Program"is constructed as a high-order heterogeneous graph.The lightweight graph convolution operation is used to capture the collaborative signal between users and programs to achieve rating prediction.Comparing with mainstream technologies such as MostPopular,BPR,collaborative filtering based on neural network and traditional graph neural network,the advanced nature of the method is verified,and the desensitization data analysis of a communication operator is used to verify the usability in actual scenarios.
【Key words】：IPTV;recommendation system;graph convolutional neural network
0引言
随着IPTV用户快速增长和网络电视服务行业的蓬勃发展,为有线电视用户推荐其感兴趣的电视节目已成为广电网络运营商和众多有线电视用户的共同需求。而IPTV场景复杂,与发展趋于成熟的电商、短视频、音乐推荐等内容类型单一的推荐场景不同,IPTV用户之间缺乏社交关系、交互数据稀疏。传统IPTV推荐机制对辅助信息挖掘不充分。为缓解数据稀疏问题,文献[1]提出一种基于标签和改进Jaccard系数的协同过滤算法。文献[2]提出了基于文本卷积神经网络的电视频道推荐算法,在卷积神经网络中提取用户节目特征通过进行评分预测；进一步提高了表征能力。文献[3]基于协同过滤机制,引入了聚类等方法构造辅助任务以保障推荐质量。文献[4]利用机顶盒数据记录带时序性的频道序列数据中含有大量用户兴趣隐式反馈和注意力机制特征,提出了深度神经网络频道切换推荐模型,进一步提高了推荐准确率。
上述方案推荐机制粒度大,对用户隐式交互数据挖掘不充分。在真实的IPTV工业场景的推荐效果欠佳。为了充分利用已有交互记录挖掘更多的用户观影兴趣,提出基于图学习的IPTV推荐系统。将离散的交互信息利用图形式连接起来。然而在IPTV场景中实现图学习机制必须解决以下技术困境：(1)如何在非欧式空间的用户—节目交互历史中捕获到用户兴趣特征和节目特征？(2)如何保证在IPTV真实工业场景中实现深度模型去复杂化降低时间复杂度？
为解决上述问题,提出一种基于图学习的IPTV推荐系统：(1)构建用户—节目交互图,利用拉普拉斯算子实现图卷积操作捕获协同信息；(2)模型去复杂化,采用图神经网络最新研究[4]摒弃特征转换和非线性激活,提高时间效率,满足IPTV工业场景的实践需求。
1基于轻量图卷积神经网络的IPTV推荐系统
1.1构建用户行为异构图
一般地,规定用户集合U、节目集合P以及它们之间交互行为集合H为：
其中nU是用户总数,是节目总数,nH表示所有交互类型数量。一般地,将用户的历史交互数据表示为
无向图G=(W,ξ),其中实体集包含用户结点集U和节目结点集P，即U∪P=W;边集ξ满足：
如果ui与pj存在交互记录hk有：
否则
初始时,用户u与节目p的ID利用one-hot编码映射为同一维度向量空间中的两个向量
1.2轻量图卷积神经网络算法
为捕获到交互图上协同信息。引入了基于轻量图卷积神经网络的协同过滤方法。如图1所示为算法的建模机制。
1.2.1结点向量嵌入传播
图卷积网络的主要思想是平滑图上的特征来学习结点的表示。为实现这个目标,需要迭代执行图卷积,即聚集邻居的特征作为目标结点新的表示,如图1中所示标准化聚合。可以表示为：
其中AGG是聚合函数,也是图卷积的核心操作。它考虑目标结点及其邻居结点的第K层表示。大部分工作将特征转换和非线性激活与聚合函数联系在一起以便于语义分类任务,但对于协同过滤来说非线性激活和特征转换是负担。因此本研究舍弃了这两个操作,得到用户结点向量表示如下：
标准化图卷积采用正则化系数
可以避免
嵌入规模随着图卷积运算的增加而增大。
1.2.2矩阵形式传播
在用户—节目交互中,定义交互矩阵：R∈RM×N,其中M和N分别表示用户数和节目数,其中
于是得到用户—节目图的邻接矩阵
与传统的图卷积网络将自身连接与邻居聚合集成在一起不同,轻量图卷积聚合目标结点的邻居结点时只在初始化第一层的时候使用可训练权重矩阵和激活函数,在更高层中摒弃了这两个操作。第0层嵌入矩阵为
其中T表示嵌入维度大小。于是为了提供嵌入传播的整体观点和方便批量实现,其分层传播规则的矩阵形式为：
其中D表示(M+N)×(M+N)的对角矩阵,每个元素dii表示邻接矩阵A(或者度矩阵)中的第i行向量的非0元素。最后得到用于预测得分的最终嵌入矩阵形式：
1.2.3模型预测
模型预测定义为用户和节目最终特征表示向量的内积,为最终电视节目生成有序的评分：
1.3模型训练
利用贝叶斯排序作为目标损失函数,该损失函数鼓励已交互过的用户—节目的评分要大于未交互过的用户—节目的评分。
其中λ控制L2正则化强度。使用Adam优化器并以小批量的方式使用它。通常在GCNs和NGCF中为防止模型过拟合一般会广泛使用Dropout机制,本模型中去除了特征变换矩阵之后,在嵌入层上强制L2正则化就可防止过拟合,这展示了轻量图卷积算法的强大的优势—它更易训练和调优。
2实验
2.1数据集介绍
某通信运营商大数据平台中IPTV脱敏数据集,包括电视频道观看历史数据和电视频道播放节目数据,日期为2021年4月16日至2021年5月21日,字段由用户设备号(已做数据混淆)、开始观看时间、结束观看时间、服务类型、内容编码、计费类型、流媒体服务中断愿意、服务过程中平均质量等字段组成。
2.2实验结果及分析
模型训练基于Tensorflow开源框架,对用户评分的拟合可规约于回归问题。算法的测试数据集为清洗规约后的标准结构化数据集,本文主要测试算法运行的终止准则为Epochs=100,模型损失函数采用随机梯度下降法(SGD)进行迭代优化,学习率为0.0001。结点传播阶l=3。本节给出了4种推荐算法MP、BPR、CDAE、NGCF在准确率、召回率和F1、NDCG指标上的性能对比,详细对比结果如表1所示。
由表1可知在工业实践中的稀疏数据集(数据集密度为0.00173)下,各个模型推荐效果均低于70%。推荐准确度上可以看到轻量图卷积网络推荐(LGN)在各个评价指标上明显高于其他3个基线推荐模型。在实际应用中,为用户的前5个推荐列表中有3个节目是用户感兴趣的,由此证明以图方式建模能学习到数据更精确的表征和关系学习进而提高推荐准确率。如图2所示可知MP时间性能较强,这是由于给每个用户推荐列表都一样,时间消耗在节目排序上。BPR强调个性化推荐,用后验概率提升了排序效果,时间效率是次优化的。CDAE利用自动编码器对损坏的数据集进行训练时间效率得到优化。而NGCF高阶聚合通过复杂的特征转换和非线性激活操作提高了时间复杂度。LGN在NGCF基础上剔除该不必要的操作之后时间效率极大提高。
3结论
针对在线电视推荐问题将基于轻量图卷积网络的协同过滤算法融合到IPTV智能推荐领域。利用交互图上高阶邻居聚合嵌入学习提取用户和节目的特征。最终通过某通信运营商脱敏数据集的实验验证模型在推荐准确率和时间性能上都优于其他几种基线推荐方法。但同时存在对确定用户观看喜好和电视产品标签考虑不全面等问题。整体而言,本研究不仅能为用户观看带来优质体验,还能给IPTV运营商带来一定的经济效益,可推广至网络视频领域,具有一定的研究价值。
参考文献
[1]齐晶,刘瀛,刘艳霞,等.基于标签的协同过滤推荐方法研究[J].北京联合大学学报,2021,35(2):47-52.
[2]邵文倩.基于卷积神经网络的电视频道推荐算法[J].软件,2020,41(10):153-156.
[3]LI G Y,QIU L N,YU C G,et al.IPTV Channel Zapping Recommendation with Attention Mechanism[J].IEEE Transactions on Multimedia,2020(99):1.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/41789.html
