錢忠勝 楊家秀 李端明 葉祖錸

(江西財(cái)經(jīng)大學(xué)信息管理學(xué)院 南昌 330013)(changesme@163.com)

社交網(wǎng)絡(luò)的興起為用戶提供了方便快捷的溝通方式，隨著用戶線下社交需求的擴(kuò)張，形成了一種基于事件的社交網(wǎng)絡(luò)(event-based social network, EBSN)[1].具有相似興趣的用戶群體可在線上創(chuàng)建或加入興趣小組，并可在EBSN平臺(tái)上發(fā)起事件活動(dòng)，吸引對(duì)事件具有相似興趣的其他用戶一同參與線下活動(dòng).以Meetup、豆瓣同城等為代表的EBSN平臺(tái)可有效滿足用戶線上虛擬社交與線下真實(shí)社交的需求.然而，隨著EBSN平臺(tái)用戶和事件信息的日益增長(zhǎng)，簡(jiǎn)單分類查詢功能難以有效解決用戶面臨的信息過載問題[2]，同時(shí)缺少個(gè)性化和多樣性.利用推薦技術(shù)為用戶提供更精準(zhǔn)、高質(zhì)量的個(gè)性化事件推薦成為相關(guān)領(lǐng)域的熱點(diǎn)問題.

個(gè)性化推薦普遍存在冷啟動(dòng)問題[3]，在EBSN中待推薦的事件需要在其舉辦的時(shí)間點(diǎn)之前推薦給用戶，始終面臨冷啟動(dòng)問題；新用戶則因?yàn)槿鄙贇v史記錄和反饋信息，同樣存在冷啟動(dòng)問題.而社交網(wǎng)絡(luò)中較低的活躍用戶比例也使得用戶反饋和交互記錄較少.傳統(tǒng)的基于協(xié)同過濾或矩陣分解的事件推薦方法，主要基于用戶和事件之間的交互信息和歷史記錄對(duì)用戶興趣進(jìn)行預(yù)測(cè)[4-5].近些年熱門的基于上下文信息的個(gè)性化事件推薦，則是通過學(xué)習(xí)用戶的多個(gè)上下文特征評(píng)分進(jìn)行TOP-K事件推薦，或根據(jù)交互關(guān)系，通過排序?qū)W習(xí)算法獲取TOP-K事件進(jìn)行推薦[6-9].這些工作都考慮了EBSN中的部分上下文信息或交互關(guān)系進(jìn)行評(píng)分推薦，但對(duì)用戶和事件的高階交互信息挖掘程度較淺，未考慮歷史記錄對(duì)用戶的單獨(dú)影響，以及歷史記錄時(shí)序關(guān)系的影響.

基于此，提出一種結(jié)合用戶長(zhǎng)短期興趣與事件影響力的事件推薦模型(event recommendation based on user long-short term interest and event influence, LSTIEI).首先，用并行的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)從事件標(biāo)題和事件內(nèi)容中獲取事件嵌入表示，并同步構(gòu)建用戶和事件、用戶和群組的異構(gòu)交互關(guān)系圖.其次，利用圖神經(jīng)網(wǎng)絡(luò)(graph neural network, GNN)來捕捉事件和群組2個(gè)空間的用戶長(zhǎng)期興趣.同時(shí)，通過基于注意力機(jī)制的長(zhǎng)短期記憶網(wǎng)絡(luò)(long-short term memory, LSTM)從用戶歷史記錄的時(shí)序關(guān)系中提取用戶短期興趣.另外，從內(nèi)容、時(shí)間、空間3個(gè)特征構(gòu)建候選事件的影響力.最后，結(jié)合用戶長(zhǎng)短期興趣嵌入與事件影響力嵌入，在多層感知機(jī)網(wǎng)絡(luò)中預(yù)測(cè)用戶參與候選事件的概率，并根據(jù)排序后的參與概率向用戶推薦TOP-K事件.

1 相關(guān)工作

個(gè)性化推薦已成為解決事件推薦中信息過載問題的主要手段，由于候選推薦事件的用戶反饋極少或不存在，傳統(tǒng)的協(xié)同過濾方法難以應(yīng)對(duì)冷啟動(dòng)問題.因此，結(jié)合上下文信息建模用戶興趣的個(gè)性化推薦被廣泛應(yīng)用.

納米材料科學(xué)學(xué)習(xí)通常需要具備多學(xué)科知識(shí)基礎(chǔ)。目前上海理工大學(xué)材料科學(xué)專業(yè)的大多數(shù)研究生只具備某一基礎(chǔ)學(xué)科的專業(yè)基礎(chǔ),隨時(shí)需要補(bǔ)充其他學(xué)科相關(guān)知識(shí)。學(xué)科交叉對(duì)從事納米材料科學(xué)教學(xué)工作者也提出了很高的要求,因此需要教師具備比較廣泛且扎實(shí)的專業(yè)基礎(chǔ),才能全面并透徹地理解相關(guān)的知識(shí)點(diǎn),再傳授給學(xué)生。

Sun等人[10]認(rèn)為用戶的偏好是由隨時(shí)間變化的動(dòng)態(tài)偏好和一般的靜態(tài)偏好構(gòu)成，提出利用雙注意力遞歸神經(jīng)網(wǎng)絡(luò)分別建模時(shí)間對(duì)用戶的動(dòng)態(tài)偏好影響以及刻畫用戶的靜態(tài)偏好影響，并結(jié)合兩者構(gòu)造統(tǒng)一的推薦方法.Wang等人[11]則同步考慮小組的動(dòng)態(tài)和靜態(tài)偏好實(shí)現(xiàn)群組推薦.Wang等人[12]利用時(shí)空信息進(jìn)行組合建模，考慮了事件的時(shí)間和位置因素的交互影響,探索事件時(shí)空信息的表征學(xué)習(xí)對(duì)事件推薦的有效性.Li等人[7]則認(rèn)為地理因素不僅對(duì)用戶的選擇有決定性影響，而且這種影響也是隨時(shí)間不斷變化的，構(gòu)建了一種時(shí)空主題模型以探究?jī)?nèi)容、地理和時(shí)間因素之間的交互對(duì)用戶決策產(chǎn)生的影響，嘗試解決事件推薦的冷啟動(dòng)問題.

這些研究通過將時(shí)間和地理信息的影響應(yīng)用到推薦中來提升推薦效果，但忽略了其他上下文信息的作用.部分研究則考慮了EBSN中的多個(gè)上下文信息來挖掘用戶興趣.

Jiang等人[13]根據(jù)事件的6類特征訓(xùn)練用戶在矩陣分解模型中的用戶排名進(jìn)行推薦.Macedo等人[8]分別構(gòu)建了時(shí)間、地理、內(nèi)容和社交等多因素的評(píng)分模型，并根據(jù)特征評(píng)分學(xué)習(xí)用戶與候選事件的排序關(guān)系，試圖解決事件推薦的冷啟動(dòng)問題.Wang等人[9]重點(diǎn)關(guān)注事件主辦方和同組成員的社交影響力，結(jié)合事件社交網(wǎng)絡(luò)與其他社交網(wǎng)絡(luò)來增強(qiáng)主辦方影響力的表征，并統(tǒng)一構(gòu)建多個(gè)上下文特征的增強(qiáng)感知推薦模型計(jì)算推薦評(píng)分.Jhamb等人[14]提出一種針對(duì)事件推薦的雙重視角群體感知隱式因子模型，分別從用戶和事件2個(gè)角度考慮對(duì)用戶參與事件決策的影響，并整合上下文信息的影響進(jìn)行排序推薦.

這些研究構(gòu)建了多個(gè)特征的評(píng)分模型，雖然從多個(gè)特征方面較全面地描述了用戶的興趣，但簡(jiǎn)單的評(píng)分模式仍不能靈活地表示用戶興趣，同時(shí)，也沒有深入考慮事件的影響.

趙淦也認(rèn)為，生產(chǎn)教育“以農(nóng)業(yè)為主，工業(yè)為輔”符合中國(guó)國(guó)情。他指出，中國(guó)不具備發(fā)展工業(yè)的客觀經(jīng)濟(jì)條件，“振興大規(guī)模的工業(yè)生產(chǎn)教育，以從事于工業(yè)生產(chǎn)，是不是得需要巨額的資本金？在經(jīng)濟(jì)破產(chǎn)的中國(guó)現(xiàn)在，是不易舉辦；縱令可以藉外力經(jīng)營(yíng)，得達(dá)生產(chǎn)之目的，而以我國(guó)有名無實(shí)的關(guān)稅自主，無由實(shí)行保護(hù)政策，能不能與舶來品相競(jìng)爭(zhēng)，以躋國(guó)家于富強(qiáng)之域，又是一個(gè)問題”，因此“倒不如注重農(nóng)業(yè)生產(chǎn)”。農(nóng)業(yè)與工業(yè)兩者“誠不能兼顧，則以農(nóng)業(yè)為主，工業(yè)為輔，對(duì)于我國(guó)之情勢(shì)，殆近之矣”[8]。

近年來，基于GNN和注意力機(jī)制的社交推薦工作逐漸成為熱點(diǎn)，傳統(tǒng)的圖論方法主要根據(jù)路徑信息獲取節(jié)點(diǎn)特征.Liu等人[15]研究了構(gòu)造不同類型節(jié)點(diǎn)的混合圖來表示EBSN中的實(shí)體關(guān)系，通過在圖上執(zhí)行隨機(jī)游走獲取高收斂概率的候選事件推薦給用戶.于亞新等人[16]針對(duì)用普通圖表征EBSN信息可能會(huì)存在高維特征信息丟失的情況，提出利用超圖建模EBSN中的復(fù)雜社交關(guān)系.

在推薦系統(tǒng)中引入注意力機(jī)制的關(guān)鍵目標(biāo)是針對(duì)影響用戶的不同因素給予不同的關(guān)注度權(quán)重.Yin等人[20]從用戶-項(xiàng)目交互關(guān)系二部圖上提取交互信息以緩解數(shù)據(jù)稀疏性，通過引入注意力機(jī)制應(yīng)對(duì)二部圖上節(jié)點(diǎn)大小可變問題，提取的交互信息可更準(zhǔn)確地表達(dá)用戶偏好.文獻(xiàn)[21-22]中也將注意力機(jī)制融入用戶的短期興趣獲取過程中.Tran等人[23]提出利用注意力機(jī)制捕捉群組中每個(gè)用戶的個(gè)體偏好，構(gòu)建注意力模型自動(dòng)學(xué)習(xí)每個(gè)用戶在群組中的影響力權(quán)重，最終根據(jù)權(quán)重聚合得到群組的整體偏好，從而以群組為單位進(jìn)行項(xiàng)目推薦.

以上對(duì)相關(guān)工作的分析表明，大多數(shù)事件推薦研究都基于傳統(tǒng)的特征評(píng)分進(jìn)行，沒有深入挖掘用戶與事件的交互信息；此外，關(guān)于事件對(duì)用戶的潛在影響很少被考慮.基于此，提出LSTIEI模型來捕捉用戶整體興趣，從用戶的長(zhǎng)期興趣和短期興趣2個(gè)角度考慮了用戶的偏好，同時(shí)，綜合了事件本身對(duì)用戶產(chǎn)生的影響，結(jié)合兩者構(gòu)建深度推薦模型對(duì)用戶進(jìn)行個(gè)性化的TOP-K事件推薦.

2 用戶長(zhǎng)短期興趣與事件影響力相結(jié)合的事件推薦

2.1 問題定義與相關(guān)符號(hào)

給定一個(gè)目標(biāo)用戶，其參與的歷史事件集合為{e1,e2,…,en}，其中n表示目標(biāo)用戶參加的事件活動(dòng)總數(shù).同時(shí)，給定候選事件enew，事件推薦問題的目的旨在通過構(gòu)建的推薦模型預(yù)測(cè)用戶參與事件enew的可能性或概率，表示用戶對(duì)該事件感興趣的程度，并根據(jù)預(yù)測(cè)結(jié)果從多個(gè)候選事件中選擇1個(gè)或多個(gè)興趣程度較高的事件推薦給該用戶.

在EBSN中，由于用戶無法對(duì)未發(fā)生的候選事件進(jìn)行評(píng)級(jí)，存在的冷啟動(dòng)問題使得傳統(tǒng)推薦方法不適用，一般可利用上下文信息和交互關(guān)系等信息進(jìn)行事件推薦.基于事件的社交網(wǎng)絡(luò)具有復(fù)雜異構(gòu)特性，可用圖結(jié)構(gòu)定義其形式.圖的節(jié)點(diǎn)由用戶、事件、群組等實(shí)體組成；節(jié)點(diǎn)之間的邊則表示實(shí)體間的交互關(guān)系，主要有用戶-事件交互、用戶-群組交互.事件社交網(wǎng)絡(luò)圖結(jié)構(gòu)中還包括事件的舉辦地點(diǎn)、主辦方、時(shí)間等特征信息.本文主要通過EBSN中的交互關(guān)系及上下文特征信息深入挖掘用戶興趣，并據(jù)此構(gòu)建推薦模型來生成向用戶推薦的TOP-K事件列表.表1列出了文中主要符號(hào)及含義：

Table 1 The Main Symbols and Their Meanings表1 主要符號(hào)及其含義

2.2 推薦模型框架

基于事件社交網(wǎng)絡(luò)的復(fù)雜異構(gòu)特征，提出一種基于深度學(xué)習(xí)的事件推薦模型LSTIEI.該模型主要由4個(gè)部分構(gòu)成：用戶長(zhǎng)期興趣建模、用戶短期興趣建模、事件影響力構(gòu)建、參與概率預(yù)測(cè).模型框架如圖1所示，具體推薦過程如下：

1) 提取事件特征嵌入向量與構(gòu)建交互關(guān)系圖.先利用并行的CNN從事件標(biāo)題和事件內(nèi)容2個(gè)層次提取事件嵌入表示，并串聯(lián)2個(gè)向量獲得事件最終的嵌入表示；同時(shí)，根據(jù)EBSN中的社交信息構(gòu)建用戶-事件、用戶-群組交互關(guān)系圖.

2) 召回率

為了訓(xùn)練本文提出的模型，選擇部分用戶參與過的事件表示正樣本，未參加的表示負(fù)樣本，對(duì)模型參數(shù)進(jìn)行訓(xùn)練，則訓(xùn)練的輸入樣本可表示為X=(Eu,enew,φ)，其中，Eu表示用戶的歷史事件集合，enew表示候選事件，φ是樣本標(biāo)簽，輸入為正樣本則φ=1，否則φ=0.模型經(jīng)過訓(xùn)練將會(huì)對(duì)用戶是否參與候選事件enew的概率P進(jìn)行預(yù)測(cè).選擇交叉熵?fù)p失函數(shù)對(duì)模型進(jìn)行訓(xùn)練，如式(19)所示：

3) 建模事件影響力.分別在內(nèi)容、時(shí)間、空間3個(gè)方面計(jì)算候選事件與目標(biāo)用戶每個(gè)歷史事件的相似度，并歸一化后對(duì)其取平均值，用以表征事件的影響力.

4) 融合用戶長(zhǎng)短期興趣與事件影響力.將構(gòu)建的用戶長(zhǎng)期興趣嵌入、短期興趣嵌入和事件影響力嵌入串聯(lián)之后，與候選事件嵌入一同輸入多層感知機(jī)(multi-layer perceptron, MLP)網(wǎng)絡(luò)中進(jìn)行評(píng)級(jí)預(yù)測(cè)，并根據(jù)排序后的結(jié)果向用戶推薦相應(yīng)的興趣事件.

Fig. 1 The framework of LSTIEI recommendation model圖1 LSTIEI推薦模型框架

2.3 事件特征提取與交互關(guān)系圖構(gòu)建

EBSN中事件包含多個(gè)屬性和內(nèi)容信息，在輸入模型之前，先利用CNN將其轉(zhuǎn)換成向量形式，以便進(jìn)行深度學(xué)習(xí)運(yùn)算.此外，由于EBSN的復(fù)雜異構(gòu)特征，本文分別從用戶-事件和用戶-群組2個(gè)方面構(gòu)建交互關(guān)系圖，以聚合用戶的興趣偏好.

2.3.1 事件特征提取

3.2.3 歸納小結(jié)動(dòng)物行為的獲得途徑 以粘貼在思維導(dǎo)圖中的多個(gè)實(shí)例為基礎(chǔ)，借助剩余貼條中的提示，引導(dǎo)學(xué)生選出能描述該類行為獲得途徑特點(diǎn)的貼條，完成對(duì)概念含義的建構(gòu)。隨后，學(xué)生結(jié)合思維導(dǎo)圖中的舉例和定義，思考或選出這類行為的意義，進(jìn)一步完善思維導(dǎo)圖。

每個(gè)EBSN事件的標(biāo)題和內(nèi)容描述文本是對(duì)用戶影響最明顯的特征，因此，從事件標(biāo)題和事件內(nèi)容提取事件的嵌入表示.而事件標(biāo)題和內(nèi)容由單詞序列構(gòu)成，故先將事件從文本表示轉(zhuǎn)換成詞向量形式.本文定義事件標(biāo)題的詞嵌入向量T=(w1,w2,…,wm)T∈m×p和內(nèi)容文本的詞嵌入向量C=(s1,s2,…,sn)T∈，其中，m,n,p分別是標(biāo)題單詞數(shù)量、內(nèi)容實(shí)體數(shù)量以及向量維度，內(nèi)容實(shí)體主要從描述文本中提取，事件標(biāo)題和內(nèi)容的詞嵌入均隨機(jī)初始化獲得.

除了試驗(yàn)示范的多個(gè)優(yōu)質(zhì)稻新品種，觀摩現(xiàn)場(chǎng)還展示了多種智能化農(nóng)機(jī)具——激光平地機(jī)作業(yè)精度達(dá)到正負(fù)兩厘米，一小時(shí)可以作業(yè)2～3畝；旋耕、施肥、播種一體機(jī)，可以控制播種深度，實(shí)現(xiàn)種肥精確控制，節(jié)本效果明顯；無人駕駛智能收割機(jī)，可以實(shí)現(xiàn)自主導(dǎo)航路徑規(guī)劃與作業(yè)，自動(dòng)行駛、收割、脫粒、卸糧。

醫(yī)源性角膜擴(kuò)張（Post-LASIK keratectasia，PLK）是角膜屈光手術(shù)的嚴(yán)重并發(fā)癥，可導(dǎo)致術(shù)后視功能下降，屈光回退，嚴(yán)重影響患者術(shù)后的視覺質(zhì)量，從1998年Seiler報(bào)道首例角膜擴(kuò)張至今[2]，已有200多例相關(guān)病例被報(bào)道，有關(guān)PLK的發(fā)生與預(yù)防，一直是角膜屈光手術(shù)領(lǐng)域的研究熱點(diǎn)。

(1)

接下來同步構(gòu)建用戶與事件、用戶與群組的交互關(guān)系圖，分別從2個(gè)交互關(guān)系圖中聚合用戶在事件空間和群組空間的興趣嵌入，并融合為用戶的最終長(zhǎng)期興趣嵌入表示.

2.3.2 交互關(guān)系圖構(gòu)建

EBSN網(wǎng)絡(luò)主要由用戶、事件和群組3種實(shí)體構(gòu)成，用戶可選擇加入群組并參與群組中發(fā)起的事件，則用戶分別與事件、群組構(gòu)成交互關(guān)系.對(duì)用戶-事件和用戶-群組的交互分別構(gòu)建交互關(guān)系圖，由于每一個(gè)事件及其主辦方都屬于某個(gè)對(duì)應(yīng)的小組，因此，忽略事件與群組、主辦方之間的關(guān)聯(lián).如圖2所示：

Fig. 2 The interaction graph of user-event and user-group圖2 用戶-事件與用戶-群組交互圖

針對(duì)用戶-事件和用戶-群組之間的關(guān)系，分別構(gòu)造無向圖Graph1=(V1,R1)，Graph2=(V2,R2)來表示EBSN中的用戶和事件、用戶和群組的交互，其中V1,V2分別表示2個(gè)交互圖的節(jié)點(diǎn)集，R1,R2則表示它們的邊集.用戶-事件交互圖中包含2種類型的節(jié)點(diǎn)：用戶和事件.對(duì)于用戶ui和事件ej，可定義rui,ej=1表示用戶參與了該事件，反之rui,ej=0，用戶-事件交互圖如圖2中用戶-事件部分所示.同樣地，用戶-群組交互圖中也包含2種類型的節(jié)點(diǎn)：用戶和群組.對(duì)于用戶ui與群組gk，用戶加入了該線上小組，定義交互關(guān)系為rui,gk=1，未參加則交互關(guān)系rui,gk=0.用戶-群組交互圖如圖2中用戶-群組部分所示，其中，虛線箭頭表示每個(gè)事件屬于對(duì)應(yīng)的發(fā)起小組.

2.4 用戶長(zhǎng)短期興趣建模

現(xiàn)實(shí)中，用戶可能在較長(zhǎng)的一段時(shí)間內(nèi)存在固定的興趣愛好，本文通過GNN建模用戶在事件空間和群組空間的長(zhǎng)期興趣.研究表明，用戶除了存在固定的長(zhǎng)期興趣，也可能受近期歷史事件的影響[21]，存在明顯的短期興趣.我們通過引入注意力機(jī)制從用戶歷史記錄的時(shí)序和內(nèi)容2方面建模用戶短期興趣.

其中,WL表示可訓(xùn)練變換矩陣.

1) 用戶-事件交互嵌入學(xué)習(xí).通過前面構(gòu)建的交互關(guān)系圖，利用GNN傳遞嵌入信息捕捉用戶和事件之間的高階交互信息，計(jì)算GNN節(jié)點(diǎn)嵌入的一般形式如式(2)所示：

而在網(wǎng)絡(luò)時(shí)代，隨著互聯(lián)網(wǎng)技術(shù)的不斷成熟。上市公司在會(huì)計(jì)信息披露過程中要合理的應(yīng)用各種信息及手段，轉(zhuǎn)變信息披露模式，提升會(huì)計(jì)信息披露的真實(shí)性，保障信息披露的透明性。

(2)

(3)

前文已經(jīng)構(gòu)建了LSTIEI模型中用戶的長(zhǎng)短期興趣及事件對(duì)用戶的影響力，本節(jié)根據(jù)這些特征嵌入對(duì)用戶參與候選事件的概率進(jìn)行預(yù)測(cè).首先，對(duì)用戶的長(zhǎng)期興趣、短期興趣及事件的影響力構(gòu)建統(tǒng)一的用戶-事件嵌入向量Vue，如式(17)所示：

(4)

(5)

別以為人家不懂英文，就寸步難行。山人自有妙招。比如位于皇后區(qū)的紐約第二大華人社區(qū)法蘭盛，離李先生的家騎自行車要一個(gè)多小時(shí)，每次出門，李先生都會(huì)提前寫下必用信息，比如自己的住址，想要去的地方，一些應(yīng)急的辦法等等，然后請(qǐng)家人和朋友幫忙翻譯成英文。有了中英文對(duì)照的出行“錦囊”，李先生心里踏實(shí)多了。

(6)

其中聚合函數(shù)與事件空間的聚合方式類似，Wg表示權(quán)重矩陣，bg,b1,b2均表示偏置項(xiàng).

3) 用戶長(zhǎng)期興趣嵌入獲取.把用戶在事件空間和群組空間的嵌入表示串聯(lián)輸入到全連接神經(jīng)網(wǎng)絡(luò)，形成用戶的最終長(zhǎng)期興趣嵌入表示UL，如式(7)所示：

(7)

2.4.1 利用注意力GNN建模用戶長(zhǎng)期興趣

需注意，通過GNN的消息傳遞機(jī)制聚合影響用戶興趣的信息，涵蓋群組和完整歷史記錄對(duì)用戶的影響，這更能體現(xiàn)出用戶在長(zhǎng)期時(shí)序上的興趣.然而，在用戶歷史記錄很少或近期加入的是新用戶的情況下，獲取的用戶興趣可能傾向于短期的，不過我們綜合考慮了用戶與事件、群組之間的交互，以盡量確保獲取的用戶興趣仍可能是長(zhǎng)期的，降低在這種情況下是短期興趣的概率.接下來利用LSTM挖掘準(zhǔn)確的用戶短期興趣.

2.4.2 利用注意力LSTM建模用戶短期興趣

用戶短期興趣主要根據(jù)用戶近期參與事件的歷史記錄來獲取.為更深度地挖掘用戶的短期興趣，從事件內(nèi)容和歷史記錄的時(shí)序特征2個(gè)方面來考慮用戶短期興趣的特征學(xué)習(xí).一般地，每個(gè)歷史記錄會(huì)對(duì)用戶選擇候選事件有不同程度的影響，可結(jié)合注意力機(jī)制來確保每個(gè)歷史事件具有不同的影響權(quán)重.

1) 事件內(nèi)容影響建模.給定目標(biāo)用戶最近的事件參與記錄e1,e2,…,ek-1以及候選推薦事件ek，根據(jù)注意力機(jī)制來模擬用戶的歷史事件對(duì)候選事件的影響，如式(8)所示：

(8)

(9)

(10)

而GNN可迭代地從圖節(jié)點(diǎn)的局部鄰域中聚合特征信息并在圖上傳遞，具備強(qiáng)大的表征學(xué)習(xí)能力[17-18]，因而被引入社交推薦中.Fan等人[19]考慮用戶和項(xiàng)目及其他用戶之間存在不同的交互關(guān)系，分別構(gòu)建用戶-項(xiàng)目交互關(guān)系圖和用戶-用戶社交關(guān)系圖，構(gòu)建了針對(duì)社交推薦的圖神經(jīng)網(wǎng)絡(luò)框架GraphRec對(duì)2個(gè)圖和異構(gòu)關(guān)系進(jìn)行建模.

(1)灌漿料的本構(gòu)模型可參考混凝土的本構(gòu)模型進(jìn)行模擬，經(jīng)過對(duì)比分析，試驗(yàn)結(jié)果與數(shù)值分析結(jié)果吻合較好，驗(yàn)證了模型參數(shù)選取的合理性。

(11)

其中,WS表示可訓(xùn)練變換矩陣.

2.5 事件影響力建模

在建模了用戶的長(zhǎng)短期興趣之后，考慮從事件的角度建模事件對(duì)用戶的潛在影響力.在向用戶推薦相同類型的主題事件時(shí)，用戶可能會(huì)受到事件的不同潛在影響.假設(shè)向目標(biāo)用戶同時(shí)推薦線下音樂聚會(huì)和演唱會(huì)，演唱會(huì)在規(guī)模和參與效果等方面可能對(duì)用戶更具影響.為了進(jìn)一步地提升事件推薦的效果，通過建模事件的影響力來表征事件對(duì)用戶的潛在作用.

一般地，事件對(duì)用戶的影響主要體現(xiàn)在內(nèi)容、時(shí)間和空間3個(gè)方面[8]，因此，本文根據(jù)候選事件的這3個(gè)特征構(gòu)建對(duì)目標(biāo)用戶的影響力，分別計(jì)算候選事件與用戶的每個(gè)歷史事件在3個(gè)特征上相似度，并歸一化后得到候選事件對(duì)目標(biāo)用戶的影響力嵌入表示.

腸道型大腸桿菌病的易感染者為出生不到一周的羔羊，這一時(shí)期的羔羊免疫力較差，接觸到母羊身體上以及羊圈內(nèi)的大腸桿菌時(shí)沒有抵抗力，會(huì)出現(xiàn)精神萎靡、下痢、吃奶較少甚至不吃的狀況，其糞便會(huì)逐漸變成灰色，糞便內(nèi)含未消化物，發(fā)出惡臭的味道。腸道型大腸桿菌病在發(fā)病后24小時(shí)之內(nèi)便會(huì)死亡，從而當(dāng)發(fā)生腸道型大腸桿菌病感染時(shí)，會(huì)造成羔羊剛出生后相繼死亡的現(xiàn)象，造成養(yǎng)羊場(chǎng)較大的經(jīng)濟(jì)損失。因此，這要求養(yǎng)羊場(chǎng)人員及時(shí)觀察羔羊出生后的狀態(tài)，如若出現(xiàn)脫水、下痢、眼睛粘膜蒼白、尾巴被糞便沾染的現(xiàn)象，要及時(shí)進(jìn)行醫(yī)治。

(12)

2) 時(shí)間特征方面，根據(jù)現(xiàn)實(shí)中對(duì)時(shí)間計(jì)數(shù)周期的劃分(即1星期7天，1天24 h)，將事件時(shí)間特征表示成一個(gè)7×24維的向量φ.因此，候選事件與用戶每個(gè)歷史事件的時(shí)間特征向量相似度如式(13)所示：

(13)

(14)

然后，根據(jù)兩者坐標(biāo)之間的歐幾里得距離定義空間相似度如式(15)所示：

(15)

以上分別計(jì)算了候選事件與目標(biāo)用戶的每個(gè)歷史事件在內(nèi)容、時(shí)間、空間3個(gè)特征上的相似度，對(duì)3個(gè)相似度進(jìn)行歸一化后取均值(假設(shè)用戶的歷史記錄數(shù)為N)，如式(16)所示：

(16)

最終，把每個(gè)歷史事件的歸一化相似度組合成向量形式，S=(S1,S2,…,SN)表示候選事件對(duì)目標(biāo)用戶的影響力嵌入表示，當(dāng)嵌入的長(zhǎng)度小于max(N)時(shí)，用0進(jìn)行填充.

2.6 模型預(yù)測(cè)與訓(xùn)練

2.6.1 模型預(yù)測(cè)

對(duì)于聚合函數(shù)Aggre(·)的計(jì)算，考慮用戶每一次的交互情況可能是不同的，根據(jù)注意力機(jī)制的思想，此處為用戶的每個(gè)交互分配一個(gè)個(gè)性化權(quán)重來彌補(bǔ)均值聚合的不足[24].聚合函數(shù)如式(4)所示：

Vue=Wue[UL;US;S],

(17)

(18)

2.6.2 模型訓(xùn)練

寶寶生病作為家庭生活中的一件大事，父母的情緒、態(tài)度和行為使寶寶強(qiáng)烈地感受到自己的存在意義，并因此建構(gòu)一個(gè)印象特別深刻的“鏡像自我”，即寶寶把父母當(dāng)成自己的鏡子，從他們的反應(yīng)和言行中形成對(duì)自己的評(píng)價(jià)和認(rèn)識(shí)。

(19)

3 實(shí)驗(yàn)設(shè)計(jì)與分析

先介紹EBSN數(shù)據(jù)集和評(píng)價(jià)指標(biāo)，以及相關(guān)的對(duì)比模型，接下來對(duì)本文模型的有效性進(jìn)行詳細(xì)分析與評(píng)估，并將其與已有的經(jīng)典模型進(jìn)行多指標(biāo)對(duì)比.

3.1 數(shù)據(jù)集

采用文獻(xiàn)[8]的Meetup數(shù)據(jù)集驗(yàn)證模型的推薦性能，利用Meetup.com官方提供的API抓取數(shù)據(jù).主要抓取了美國(guó)3個(gè)主要城市：芝加哥、菲尼克斯、圣何塞在Meetup上發(fā)起的公開事件活動(dòng)信息，活動(dòng)的舉行時(shí)間跨度從2010年1月至2014年 4月.數(shù)據(jù)集包含用戶、群組、事件3類實(shí)體的詳細(xì)信息，主要有用戶的屬性、用戶的活動(dòng)參與記錄、用戶的群組記錄、群組及主辦方信息、群組的活動(dòng)舉辦記錄、事件活動(dòng)的屬性和文本等信息.數(shù)據(jù)集的統(tǒng)計(jì)信息見表2所示.此外，本文實(shí)驗(yàn)所采用的硬件環(huán)境為：操作系統(tǒng)為64位Windows10 1903版本，CPU為AMD Ryzen7 3700X 3.6 GHz，32 GB RAM，使用python3.7語言編程實(shí)現(xiàn).

計(jì)算結(jié)果為該高?？蒲泻诵母?jìng)爭(zhēng)力綜合評(píng)價(jià)向量μi=(0.749 0,0.196 9,0.054 1)，由于評(píng)價(jià)類別V={v1,v2,v3}有序，所以應(yīng)采用置信度識(shí)別準(zhǔn)則：若V={v1,v2,…,vk}滿足V=vi>vi+1(i=1,2,…,k-1)，對(duì)置信度則認(rèn)為x屬于vk類，其中vi>vi+1表示vi的等級(jí)優(yōu)于vi+1。取置信度λ=0.6可得：xi∈v1。即認(rèn)為xi屬于第1個(gè)評(píng)價(jià)等級(jí)，置信度達(dá)到60%以上，因此該高?？蒲泻诵母?jìng)爭(zhēng)力評(píng)價(jià)結(jié)果為“強(qiáng)”。

Table 2 Statistical Information of Meetup Dataset表2 Meetup數(shù)據(jù)集的統(tǒng)計(jì)信息

3.2 評(píng)價(jià)指標(biāo)

采用準(zhǔn)確率、召回率、F1-Score值3個(gè)評(píng)價(jià)指標(biāo)來評(píng)估模型推薦性能.

1) 準(zhǔn)確率

(20)

2) 建模用戶的長(zhǎng)短期興趣.一方面，利用GNN從2個(gè)交互圖上聚合用戶的興趣嵌入；另一方面，通過引入注意力機(jī)制，從用戶歷史事件的內(nèi)容影響和時(shí)序影響建模用戶的短期興趣.其中，根據(jù)用戶歷史事件嵌入計(jì)算事件內(nèi)容的注意力權(quán)重，時(shí)序影響則是利用基于注意力的LSTM來獲取.

因車廂內(nèi)部在車體長(zhǎng)度方向上是對(duì)稱的，故取車體的一半作為本文的研究對(duì)象。由于計(jì)算車型的排風(fēng)和回風(fēng)是分開的，因此，車廂內(nèi)設(shè)置了送風(fēng)口、回風(fēng)口和排風(fēng)口，即物理模型的入口和出口。在車頂特定位置布置有3個(gè)幅流風(fēng)機(jī)安裝處，為減小列車震動(dòng)對(duì)風(fēng)機(jī)的影響，結(jié)構(gòu)之間安裝有避震保護(hù)裝置。本文旨在研究滿載時(shí)風(fēng)速和溫度對(duì)地鐵車廂內(nèi)乘客舒適度的影響，因此車廂內(nèi)共有232人，其中36人有座，196人站立。

(21)

3)F1-score

F-score是準(zhǔn)確率和召回率的加權(quán)調(diào)和平均，常用評(píng)價(jià)指標(biāo)F1-score即表示F-score調(diào)和參數(shù)為1時(shí)的形式.由于準(zhǔn)確率和召回率之間的特殊關(guān)系，通過F1-score對(duì)本文模型的推薦效果進(jìn)行整體效果的評(píng)估，如式(22)所示：

(22)

3.3 對(duì)比模型

為直觀評(píng)估本文提出的事件推薦模型的效果，選取部分最新的基于特征評(píng)分推薦和融合深度學(xué)習(xí)推薦的模型進(jìn)行對(duì)比.

1) MP(most popular).根據(jù)候選事件流行度向用戶推薦最熱門的活動(dòng).正負(fù)反饋數(shù)是唯一的排序標(biāo)準(zhǔn)，將排序后的TOP-K事件推薦給用戶.

2) G-M(group-membership).根據(jù)用戶加入的小組記錄數(shù)據(jù)向用戶推薦這些小組發(fā)起的事件活動(dòng).這種簡(jiǎn)單的推薦雖然能保證一定的準(zhǔn)確率，但存在很大的局限性，面對(duì)新用戶將會(huì)失效.若用戶沒有任何小組記錄，則后續(xù)采用MP推薦.

農(nóng)業(yè)技術(shù)推廣作為現(xiàn)代化農(nóng)業(yè)發(fā)展的必經(jīng)之路，在農(nóng)業(yè)經(jīng)濟(jì)發(fā)展中的作用和價(jià)值會(huì)越來越突出。在改善農(nóng)業(yè)生產(chǎn)格局，調(diào)整農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)，提高農(nóng)業(yè)生產(chǎn)效率，帶動(dòng)農(nóng)業(yè)產(chǎn)業(yè)化發(fā)展，促進(jìn)區(qū)域農(nóng)業(yè)經(jīng)濟(jì)水平提高，實(shí)現(xiàn)農(nóng)業(yè)經(jīng)濟(jì)現(xiàn)代化建設(shè)方面都具有顯著的作用。

3) GLFM[14].利用隱式因子模型從面向用戶和面向事件雙重角度考慮群組對(duì)事件推薦的影響，同時(shí)結(jié)合了時(shí)空因素和RSVP的影響.

4) Event2Vec[12].基于潛在嵌入空間向量的相似性度量實(shí)現(xiàn)事件推薦.通過嵌入學(xué)習(xí)編碼事件、時(shí)間、位置的潛在表示，并考慮時(shí)空因素的影響.

5) MCLRE[8].通過構(gòu)建地理位置、社交關(guān)系、時(shí)間、內(nèi)容等特征的評(píng)分模型，利用學(xué)習(xí)排序算法融合多個(gè)特征的評(píng)分進(jìn)行推薦.

6) STTM[7].基于時(shí)空主題的冷啟動(dòng)事件推薦模型，通過聯(lián)合建模事件內(nèi)容、時(shí)空因素及交互關(guān)系的影響，捕獲用戶隨時(shí)間變化的興趣，實(shí)現(xiàn)事件推薦.

本文提出的LSTIEI模型結(jié)合了用戶長(zhǎng)短期興趣和事件影響力對(duì)用戶進(jìn)行事件推薦.為進(jìn)一步驗(yàn)證用戶長(zhǎng)期興趣、用戶短期興趣和事件影響力對(duì)推薦決策的影響，還構(gòu)建了多個(gè)變體模型與本文模型進(jìn)行對(duì)比，以考察不同因素對(duì)模型性能的影響.

3.4 實(shí)驗(yàn)結(jié)果及模型對(duì)比

由于數(shù)據(jù)集中每個(gè)城市的數(shù)據(jù)量較多，對(duì)數(shù)據(jù)集需進(jìn)行一定的前期處理.在每個(gè)城市的數(shù)據(jù)集時(shí)間序列上選擇12個(gè)時(shí)間節(jié)點(diǎn)，以時(shí)間結(jié)點(diǎn)為基準(zhǔn)，利用滑動(dòng)窗口方法將其劃分成12組時(shí)間間隔相同的數(shù)據(jù)集，取每組數(shù)據(jù)集的時(shí)間節(jié)點(diǎn)前6個(gè)月的活動(dòng)作為訓(xùn)練數(shù)據(jù)，后6個(gè)月內(nèi)的活動(dòng)作為測(cè)試候選事件.

本文推薦模型基于深度學(xué)習(xí)庫Pytorch(來源于https://pytorch.org/)實(shí)現(xiàn)，測(cè)試集中部分?jǐn)?shù)據(jù)被作為驗(yàn)證集來確定超參數(shù).最終的參數(shù)設(shè)置為：事件標(biāo)題和內(nèi)容的詞嵌入維度p=50，事件嵌入表示的維度D=100，正則化參數(shù)L2=0.005，訓(xùn)練批次和學(xué)習(xí)率分別為256和0.005.

1) 不同因素的影響分析

為驗(yàn)證用戶的長(zhǎng)短期興趣和事件關(guān)于用戶在內(nèi)容、時(shí)間、空間方面對(duì)推薦性能的影響，構(gòu)建了6個(gè)變體模型STI-EI,LTI-EI,LSTI,LSTI-C,LSTI-T,LSTI-V與LSTIEI進(jìn)行對(duì)比，前2個(gè)變體模型各自去除了用戶長(zhǎng)期興趣和短期興趣模塊，分別考查用戶短期、長(zhǎng)期興趣的影響；后4個(gè)變體模型分別表示去除事件影響力模塊、僅結(jié)合事件內(nèi)容影響、僅結(jié)合事件時(shí)間影響、僅結(jié)合事件空間影響的推薦方案，考查事件相關(guān)因素的影響.表3是幾個(gè)變體模型的影響因素對(duì)比情況.

Table 3 Comparison of Influencing Factors Among Several Models

在Chicago,Phoenix,San Jose這3個(gè)城市數(shù)據(jù)集上實(shí)驗(yàn)，考慮到變體模型的目的是驗(yàn)證用戶和事件的影響因素對(duì)推薦性能的影響，這里僅選擇準(zhǔn)確率指標(biāo)評(píng)估變體模型中用戶和事件影響因素的作用.圖3展示了在準(zhǔn)確率P@K指標(biāo)上各變體模型的性能.

Fig. 3 Precision comparison between variant models and LSTIEI圖3 變體模型與LSTIEI準(zhǔn)確率對(duì)比

從圖3中可看出，用戶長(zhǎng)短期興趣的影響最明顯，分別屏蔽長(zhǎng)期興趣和短期興趣的變體模型STI-EI,LTI-EI的準(zhǔn)確率均嚴(yán)重下降.另外，去除事件影響力模塊的變體模型LSTI不僅在準(zhǔn)確率指標(biāo)上大大低于LSTIEI，而且也低于其余3個(gè)與事件影響力相關(guān)的變體模型，驗(yàn)證了本文關(guān)于事件對(duì)用戶的作用能夠影響推薦效果的假設(shè).

① 用戶自身的興趣偏好對(duì)推薦的影響最大，并在長(zhǎng)期和短期時(shí)序上表現(xiàn)的興趣存在差異.圖3實(shí)驗(yàn)結(jié)果表明，用戶長(zhǎng)期興趣的作用稍微弱于短期興趣，短期興趣的持續(xù)影響力更加明顯.而單獨(dú)的長(zhǎng)期或短期興趣不能完整地表達(dá)用戶的興趣，導(dǎo)致推薦效果較差，即屏蔽長(zhǎng)期或短期興趣的變體模型推薦準(zhǔn)確率較低.而將兩者結(jié)合的變體模型LSTI的推薦準(zhǔn)確率則有明顯提升，表明用戶的長(zhǎng)短期興趣是推薦結(jié)果的主要依據(jù).

② 事件對(duì)用戶的作用可一定程度地影響推薦準(zhǔn)確率.根據(jù)幾個(gè)變體模型之間的對(duì)比情況可發(fā)現(xiàn)，事件對(duì)用戶在內(nèi)容、時(shí)間、空間3個(gè)方面的作用，都會(huì)影響到模型推薦效果.在事件影響力相關(guān)的變體模型中，去除事件影響力模塊的LSTI推薦準(zhǔn)確率最低，且明顯低于融合事件影響的LSTIEI模型，表明事件對(duì)用戶的潛在影響是值得關(guān)注的信息，有助于發(fā)現(xiàn)潛在的興趣用戶并提升推薦效果.

③ 融合事件影響力可改善推薦效果，但各因素的影響作用存在一定差異.根據(jù)實(shí)驗(yàn)結(jié)果來看，提升效果較大的是事件的內(nèi)容因素，其次是事件的時(shí)間和空間因素，這說明用戶在選擇事件時(shí)最先關(guān)注的是其內(nèi)容，而時(shí)間和空間因素的影響被削弱，很可能是由于大多數(shù)用戶在參與事件時(shí)有固定的時(shí)間和地點(diǎn)模式，比如定期在周末或固定范圍參加戶外活動(dòng).從實(shí)驗(yàn)對(duì)比結(jié)果來看，LSTI-T與LSTI-V在推薦準(zhǔn)確率指標(biāo)上的差距并不明顯，表明用戶在時(shí)間和空間上的偏好程度相似.

綜上所述，用戶的長(zhǎng)期興趣與短期興趣相結(jié)合可更完整地表示用戶的興趣，從而提升推薦性能.而融合事件各屬性對(duì)用戶潛在影響的LSTIEI模型取得比其他變體模型更好的推薦結(jié)果.事件對(duì)用戶在內(nèi)容、時(shí)間、空間3個(gè)方面的影響力可在一定程度上改善推薦效果，將其結(jié)合到我們提出的LSTIEI模型中可進(jìn)一步提升推薦性能.

2) 模型性能對(duì)比

這里把LSTIEI與6個(gè)基準(zhǔn)模型做整體推薦性能對(duì)比，圖4展示了所有模型在Chicago,Phoenix,San Jose 3個(gè)城市數(shù)據(jù)集上的準(zhǔn)確率和召回率指標(biāo)結(jié)果對(duì)比情況.根據(jù)現(xiàn)實(shí)經(jīng)驗(yàn)，推薦過多的事件往往會(huì)對(duì)用戶選擇造成干擾，圖中僅顯示將K值分別設(shè)置為5,10,15時(shí)的推薦結(jié)果.

從圖4中可看出，LSTIEI與各基準(zhǔn)模型相比，在準(zhǔn)確率P@K、召回率R@K指標(biāo)上都優(yōu)于其他模型.隨著K增大，準(zhǔn)確率呈下降趨勢(shì)，表明增加推薦事件數(shù)量并不會(huì)提升模型性能；但召回率的結(jié)果表明推薦更多事件，存在用戶感興趣事件的可能性越大.以Phoenix數(shù)據(jù)集K=10的情況為例，LSTIEI模型在推薦準(zhǔn)確率上比幾個(gè)較新的對(duì)比模型GLFM,Event2Vec,MCLRE,STTM分別提升123.6%,97.6%,85.9%,47.7%.在3個(gè)城市數(shù)據(jù)集上對(duì)比結(jié)果表明，LSTIEI模型中的長(zhǎng)短期興趣能更準(zhǔn)確地表達(dá)用戶興趣，其對(duì)比分析結(jié)果為：

① 對(duì)于最簡(jiǎn)單的MP模型而言，大多數(shù)用戶的真實(shí)興趣與熱門事件匹配的概率很低，推薦熱門事件的效果有限.此外，G-M的推薦效也并不理想，因?yàn)橛脩舻呐d趣隨著時(shí)間不斷變化，對(duì)所在小組的興趣逐漸衰退，該方案在向活躍用戶推薦短期內(nèi)的事件時(shí)可能會(huì)有較好的效果，而針對(duì)不活躍用戶的推薦效果與MP相當(dāng)，存在明顯的局限性.

② GLFM和Event2Vec 2個(gè)模型的性能弱于MCLRE，這可能是由于MCLRE重點(diǎn)關(guān)注了用戶與事件和群組的交互關(guān)系，并考慮了多個(gè)特征的用戶偏好.而GLMF和Event2Vec并未明顯地考慮用戶的交互信息，雖然GLFM從用戶與事件的雙重角度構(gòu)建了群組影響力的潛在因子模型，但事件內(nèi)容和交互關(guān)系的缺失導(dǎo)致推薦性能損失.Event2Vec通過挖掘事件、位置、時(shí)間3個(gè)因素之間的關(guān)聯(lián)信息，主要關(guān)注了時(shí)空因素對(duì)用戶的影響，忽略了用戶社交關(guān)系和交互信息的重要影響.這表明基于多特征融合的推薦方法具有較好的推薦性能，但對(duì)上下文信息的高度依賴可能會(huì)導(dǎo)致面臨冷啟動(dòng)時(shí)推薦性能下降問題.

③ STTM建模了用戶隨時(shí)間變化的內(nèi)容及位置偏好對(duì)用戶決策的影響，充分考慮了上下文信息之間的相互影響.與MCLRE中基于穩(wěn)定的用戶特征偏好融合相比，STTM考慮的隨時(shí)間變化的時(shí)空主題模型對(duì)用戶興趣的挖掘更加準(zhǔn)確.盡管STTM取得比MCLRE更好的推薦效果，但該模型首先是基于事件、群組的信息進(jìn)行推斷并獲取用戶的內(nèi)容偏好，沒有考慮用戶和事件內(nèi)容之間的真實(shí)興趣關(guān)聯(lián)；其次，STTM也沒有考慮交互關(guān)系中事件對(duì)用戶的影響.本文的LSTIEI模型捕捉了用戶和事件、群組的交互關(guān)系網(wǎng)絡(luò)中的長(zhǎng)期興趣，在短期興趣中同時(shí)考慮了事件內(nèi)容和時(shí)序的影響，對(duì)于隱式偏好的挖掘更準(zhǔn)確高效.另外，還結(jié)合候選事件對(duì)用戶的影響以進(jìn)一步提升推薦效果，實(shí)驗(yàn)結(jié)果表明本文的LSTIEI模型優(yōu)勢(shì)更明顯.

Fig. 4 Comparison on precision and recall of several models in three datasets圖4 各模型在3個(gè)數(shù)據(jù)集上準(zhǔn)確率與召回率對(duì)比

綜上分析，提出的LSTIEI模型在準(zhǔn)確率和召回率上均取得比對(duì)比模型更好的結(jié)果，表明融合用戶長(zhǎng)短期興趣可準(zhǔn)確地表示用戶偏好.另外，結(jié)合圖3和圖4的對(duì)比結(jié)果可看出，表3設(shè)置的幾個(gè)變體模型LSTI-C,LSTI-T,LSTI-V,LSTI也表現(xiàn)出了比各對(duì)比模型(MP,G-M GLFM,Event2Vec MCLRE,STTM)更好的推薦性能，進(jìn)一步表明結(jié)合事件對(duì)用戶的影響可改善推薦效果.一般來說，事件內(nèi)容、時(shí)間、空間等信息均是構(gòu)成事件的必要因素，這些信息通常不會(huì)缺失.即使出現(xiàn)所有事件信息缺失的情況，屏蔽事件影響力的變體模型LSTI的推薦性能也優(yōu)于對(duì)比模型(STTM)，這表明本文提出的LSTIEI模型僅依靠用戶的長(zhǎng)短期興趣進(jìn)行推薦依然具備較好的推薦性能.

進(jìn)一步地，表4給出了所有模型在3個(gè)城市數(shù)據(jù)集的F1@K指標(biāo)對(duì)比.在Phoenix數(shù)據(jù)集上的所有模型的評(píng)價(jià)指標(biāo)均優(yōu)于另外2個(gè)數(shù)據(jù)集Chicago,SanJose，這可能是因?yàn)樵摂?shù)據(jù)集中以更少的用戶數(shù)量舉辦了更多的事件活動(dòng)，數(shù)據(jù)的稀疏性明顯低于另外2個(gè)數(shù)據(jù)集Chicago,SanJose，有更豐富的上下文信息幫助模型獲取用戶興趣.同樣可看到，LSTIEI在F1@K指標(biāo)的對(duì)比中明顯超過其他所有模型，表明LSTIEI在綜合性能上更具優(yōu)勢(shì).而且，圖4中召回率指標(biāo)的對(duì)比結(jié)果也顯示LSTIEI在2個(gè)更稀疏的數(shù)據(jù)集Chicago,SanJose上能獲得穩(wěn)定的推薦性能，表明LSTIEI在對(duì)抗數(shù)據(jù)稀疏性方面強(qiáng)于其他各模型.

4 總結(jié)與下一步工作

Table 4 Comparison of F1 Values of Several Models in Three Datasets表4 在3個(gè)數(shù)據(jù)集上各模型F1值對(duì)比

本文提出一種結(jié)合用戶長(zhǎng)短期興趣和事件影響力的EBSN社交事件推薦模型.該模型考慮了用戶在時(shí)間序列中的長(zhǎng)期興趣和短期興趣，同時(shí)，也從事件相似度的角度考慮了社交事件對(duì)用戶的潛在影響.主要貢獻(xiàn)有3個(gè)方面：

1) 在社交事件推薦領(lǐng)域引入GNN，分別從用戶和事件、用戶和群組的交互信息中捕捉用戶的長(zhǎng)期興趣.與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法相比，對(duì)社交網(wǎng)絡(luò)中交互信息的獲取更完整.

2) 將注意力機(jī)制融合到長(zhǎng)短期興趣的提取過程中，考慮了每條歷史記錄和交互信息對(duì)用戶的影響，使用戶興趣表示更精確.

3) 結(jié)合社交事件對(duì)用戶的潛在影響力，分別從內(nèi)容、時(shí)間和空間特征考慮了事件對(duì)用戶的影響，有利于進(jìn)一步提升推薦準(zhǔn)確率.

所提模型性能整體上優(yōu)于其他對(duì)比模型，但也存在一些不足.例如，在交互關(guān)系構(gòu)建中沒有考慮用戶與主辦方及其他用戶的交互，以及推薦的事件類型過于集中，多樣性較差.下一步工作考慮構(gòu)建圖譜化交互內(nèi)容，并融合用戶對(duì)主辦方的信任關(guān)系，從而緩解用戶的興趣依賴，進(jìn)一步提升推薦效果.

作者貢獻(xiàn)聲明：錢忠勝負(fù)責(zé)論文主體思想、整體框架構(gòu)建、算法設(shè)計(jì)；楊家秀負(fù)責(zé)數(shù)據(jù)處理、主要實(shí)驗(yàn)及其結(jié)果分析、文章的撰寫與修改；李端明,葉祖錸負(fù)責(zé)數(shù)據(jù)收集、程序設(shè)計(jì)、文檔整理與編輯.