基于用户行为序列的推荐算法研究及应用

这是一篇关于用户行为序列,推荐算法,兴趣特征,注意力机制,特征组合的论文, 主要内容为在大数据时代,信息产生的速度越来越快,各行各业所累积的数据量也越来越大。比如在淘宝和京东这样的电商场景中,无论是用户的数量还是商品的数量,都是以亿为计量单位的。因此,对于一个普通的用户而言,在不借助任何工具的情况下,想要从海量的商品池中快速地找到自己感兴趣的商品是一件极其困难的事情。在这种情况下,推荐系统的产生成为了一种必然,可以帮助用户从海量信息中迅速获取有效的信息。深度学习兴起之后,融合因子分解机算法的深度学习模型成为点击率预估和推荐系统领域中一个的主流研究方向。但是,该类模型的关注点基本都是在特征与特征之间的组合上。随着对推荐系统研究的深入,越来越多的研究人员开始关注时序推荐场景下的用户行为序列等相关信息。用户的行为序列可以用来表示该用户的兴趣特征,并且这种兴趣特征具有“多样性”和“动态变化”的特点。因此,基于时序推荐场景中的用户行为序列相关信息进行建模,可以有效提高推荐的精度。比如,阿里技术团队结合自身的电商场景,首次提出了面向时序推荐场景的深度兴趣网络,并在实践中取得了不错的效果。此后,阿里技术团队在深度兴趣网络的基础之上又相继提出了很多优秀的时序推荐模型,并且这些模型都是基于用户的行为序列进行建模的。虽然阿里等团队在时序推荐的研究上取得了重大成就,但仍然存在很多问题和难点。比如,当用户的行为序列过长时,如何快速并准确的提取用户的兴趣特征是一大难点。同时,如何在基于用户行为序列的时序推荐模型中融合因子分解机算法也是一个值得研究的方向。基于以上内容,本文在现有时序推荐模型的基础之上进行改进和优化,提出了两个较为优秀的时序推荐模型,并将其整合到电信套餐推荐系统中。在基于用户行为序列的时序推荐算法理论基础之上,本文结合实际进行研究并开展了以下几项工作:(1)在阿里深度兴趣网络的基础上进行改进,并提出了一个新的时序推荐模型DAMIN。首先,改变用户动态兴趣特征层中注意力的计算方式,使用两个物品向量间欧式距离平方的倒数作为其注意力权重。与深度兴趣网络中的注意力计算方式相比,这种计算方式更具可解释性,并取得了不错的效果。其次,为了更加充分地利用候选物品向量的信息,本文对候选物品向量也进行加权操作,并使用加权后的候选物品向量与加权后的用户点击物品向量进行求和操作。这样做的目的是使得相似的两个物品向量更加的相似,不相似的两个物品向量更加的不相似。最后,将加权后的新向量作为多兴趣特征提取层的输入,用以捕捉用户的多种兴趣特征。(2)同样在深度兴趣网络的基础之上,本文提出了一个融合因子分解机算法的时序推荐模型AIN-DIN。相对用户的行为序列信息而言,物品的属性属于非时序的特征信息。为了更加充分地挖掘物品属性特征之间的关系,本文使用因子分解机算法来处理相关信息,并对物品的属性特征进行组合,使得模型的学习能力得以提升。在深度兴趣网络等模型中,用户的行为序列是由该用户浏览或者点击过的多个物品所构成的。因此,如何在基于用户行为序列的时序推荐模型中融合因子分解机相关算法,并显式地进行物品属性特征之间的组合将是一个难点,而本文提出的AIN-DIN模型能够有效地解决这个问题。(3)本文选取了点击率预估和推荐系统行业内比较认可的亚马逊数据集和某电信公司真实生产环境中的套餐数据集,并有针对性的设计开展了大量的实验,结果证明本文提出的DAMIN模型与AIN-DIN模型能够取得不错的表现。最后,本文结合实际场景设计与实现了一个面向业务分析人员的电信套餐推荐系统,并在该系统中整合了本文提出的时序推荐模型,有效提升了套餐推荐的准确性。

基于深度学习和用户行为序列的推荐系统研究

这是一篇关于推荐系统,深度学习,注意力机制,用户行为序列的论文, 主要内容为近年来,为了应对互联网中每天爆发性增长的信息量,并且在海量数据中挖掘用户的兴趣点,研究者们提出了一系列的推荐模型以及智能化的推荐系统。随着深度学习的发展和引入,研究者们对推荐模型进行了进一步的研究,其中从用户行为序列中挖掘用户的兴趣偏好进行推荐是当今关注的重点。用户行为序列具体表现为用户对历史浏览物品的点击记录、评分记录,购买记录等序列信息,从中可以挖掘到用户兴趣的动态变化,并更精准地向用户推荐喜欢的内容。现有的大多数基于深度学习的推荐模型通常是将最近的用户行为序列进行池化操作或者使用循环神经网络提取序列的抽象表示作为用户的兴趣偏好,对于更长的行为序列挖掘的还不充分,难以捕捉到用户行为序列和用户偏好之间存在的内在联系。针对上述问题,本文的主要工作如下:(1)基于循环神经网络RNN和注意力机制提出了融合长短期用户行为的推荐系统召回模型LSIN(Long and Short Interest Network)。该模型将用户行为序列划分为长期和短期序列,使用循环神经网络进行编码,然后结合用户属性特征,用注意力机制抽取短期和长期用户行为序列中的用户兴趣特征,使模型在推荐系统的召回阶段进一步挖掘用户的兴趣偏好。(2)基于Transformer模型提出了推荐系统排序模型UBIN(User Behavioral Interactive Network,UBIN),其使用了Transformer模型编码用户的行为序列然后结合用户和召回的候选物品特征使用注意力机制抽取用户的兴趣偏好,使模型在推荐系统的排序阶段给出更加准确的推荐列表。(3)在MovieLens-1M和Amazon-Food数据集上与其他基线召回和排序模型进行对比实验,其中LSIN模型在Amazon-Food数据集上的召回率(Recall)和命中率(Hit Rate)相对于SDM模型提高了1%和1.2%。UBIN模型在两个数据集上的AUC值相对于DIN分别提高了2%和3%。此外,还探究了序列长度对LSIN和UBIN模型的影响以及主要模型参数对实验结果的影响。(4)在本文提出的召回和排序推荐模型的基础上,设计并开发了一个论文推荐系统。该系统从Papers With Code网站上收集并处理论文的相关信息,先使用融合了用户长短期行为的召回模型LSIN从数据集中召回用户最感兴趣的前几十篇论文,接着使用排序模型UBIN对召回结果列表按照点击率分数排序,最后返回论文列表给用户,此外还开发了为你推荐、首页推荐、物品相似推荐等功能,为研究人员提供更好的论文推荐服务。

基于深度学习的个性化新闻推荐系统设计与实现

这是一篇关于新闻推荐系统,个性化,用户行为序列,新闻用户建模,深度学习的论文, 主要内容为为了满足用户的个性化新闻浏览需求和适应日益增长的新闻数量,个性化新闻推荐系统变得越来越重要。在进行个性化新闻推荐时一般需要提取用户兴趣对用户建模,从而根据用户兴趣给其推荐感兴趣的新闻内容。在对用户建模时,当用户行为序列长度较短或较长时都会存在问题。为了解决这些问题,本文提出基于深度学习的个性化新闻推荐模型,并在此基础上设计与实现个性化新闻推荐系统。在基于深度学习的个性化新闻推荐模型研究方面,本文考虑从数据的视角出发,提出基于用户行为序列填充和筛选的新闻点击率预测模型(News CTR Prediction Based on User Behavior Fill and Select Model,UBFS)。在UBFS研究中,首先研究用户行为序列填充算法,当用户行为序列较短时选择一部分新闻进行填充,这部分新闻是用户极有可能感兴趣并且潜在会点击的新闻。然后,研究用户行为序列筛选算法,当用户行为序列较长时,从用户行为序列中筛选一部分行为代表用户兴趣,在筛选的过程中会考虑每个行为和候选新闻的关系。在填充和筛选中使用预训练模型Sentence-Bert对新闻建模和用户建模。最后研究新闻点击率预测,根据最终用户行为序列和候选新闻得到用户对候选新闻的点击概率,表示用户对候选新闻的兴趣程度。在点击率预测过程中使用预训练模型Bert对新闻建模和用户建模。本文提出的UBFS相比于新闻领域的其它推荐算法在AUC上提升了4.1%,在MRR上提升了8.9%,在NDCG@5(NDCG@10)提升了9.7%(8.2%)。在个性化新闻推荐系统设计与实现方面,本文在UBFS研究的基础上设计并实现基于深度学习的个性化新闻推荐系统,该系统架构包括:数据层、策略层、反馈层、应用层。在该系统架构中对每层结构进行设计与实现,特别是在策略层设计与实现中,使用基于新闻语义的新闻召回算法快速高效的从新闻列表中召回新闻,再使用UBFS对候选新闻排序,使得排序结果更加精准可靠;解决用户冷启动的问题,综合考虑多个方面给用户推荐新闻,使得推荐结果能够具有多样性和准确性;在最后的排序过程中,从多个角度:准确度、新鲜度、流行度共同评分进行新闻推荐排序,推荐结果能够根据用户的兴趣推荐准确度大、新鲜度好、流行度高的新闻。根据以上的系统设计和实现,对系统进行了功能测试和性能测试。功能测试表明系统中各个模块功能完整能够满足功能需求;性能测试从响应效率、高可扩展性、可靠性、可维护性这几个方面表示系统能够满足性能需求。

基于用户行为序列的推荐算法研究及应用

这是一篇关于用户行为序列,推荐算法,兴趣特征,注意力机制,特征组合的论文, 主要内容为在大数据时代,信息产生的速度越来越快,各行各业所累积的数据量也越来越大。比如在淘宝和京东这样的电商场景中,无论是用户的数量还是商品的数量,都是以亿为计量单位的。因此,对于一个普通的用户而言,在不借助任何工具的情况下,想要从海量的商品池中快速地找到自己感兴趣的商品是一件极其困难的事情。在这种情况下,推荐系统的产生成为了一种必然,可以帮助用户从海量信息中迅速获取有效的信息。深度学习兴起之后,融合因子分解机算法的深度学习模型成为点击率预估和推荐系统领域中一个的主流研究方向。但是,该类模型的关注点基本都是在特征与特征之间的组合上。随着对推荐系统研究的深入,越来越多的研究人员开始关注时序推荐场景下的用户行为序列等相关信息。用户的行为序列可以用来表示该用户的兴趣特征,并且这种兴趣特征具有“多样性”和“动态变化”的特点。因此,基于时序推荐场景中的用户行为序列相关信息进行建模,可以有效提高推荐的精度。比如,阿里技术团队结合自身的电商场景,首次提出了面向时序推荐场景的深度兴趣网络,并在实践中取得了不错的效果。此后,阿里技术团队在深度兴趣网络的基础之上又相继提出了很多优秀的时序推荐模型,并且这些模型都是基于用户的行为序列进行建模的。虽然阿里等团队在时序推荐的研究上取得了重大成就,但仍然存在很多问题和难点。比如,当用户的行为序列过长时,如何快速并准确的提取用户的兴趣特征是一大难点。同时,如何在基于用户行为序列的时序推荐模型中融合因子分解机算法也是一个值得研究的方向。基于以上内容,本文在现有时序推荐模型的基础之上进行改进和优化,提出了两个较为优秀的时序推荐模型,并将其整合到电信套餐推荐系统中。在基于用户行为序列的时序推荐算法理论基础之上,本文结合实际进行研究并开展了以下几项工作:(1)在阿里深度兴趣网络的基础上进行改进,并提出了一个新的时序推荐模型DAMIN。首先,改变用户动态兴趣特征层中注意力的计算方式,使用两个物品向量间欧式距离平方的倒数作为其注意力权重。与深度兴趣网络中的注意力计算方式相比,这种计算方式更具可解释性,并取得了不错的效果。其次,为了更加充分地利用候选物品向量的信息,本文对候选物品向量也进行加权操作,并使用加权后的候选物品向量与加权后的用户点击物品向量进行求和操作。这样做的目的是使得相似的两个物品向量更加的相似,不相似的两个物品向量更加的不相似。最后,将加权后的新向量作为多兴趣特征提取层的输入,用以捕捉用户的多种兴趣特征。(2)同样在深度兴趣网络的基础之上,本文提出了一个融合因子分解机算法的时序推荐模型AIN-DIN。相对用户的行为序列信息而言,物品的属性属于非时序的特征信息。为了更加充分地挖掘物品属性特征之间的关系,本文使用因子分解机算法来处理相关信息,并对物品的属性特征进行组合,使得模型的学习能力得以提升。在深度兴趣网络等模型中,用户的行为序列是由该用户浏览或者点击过的多个物品所构成的。因此,如何在基于用户行为序列的时序推荐模型中融合因子分解机相关算法,并显式地进行物品属性特征之间的组合将是一个难点,而本文提出的AIN-DIN模型能够有效地解决这个问题。(3)本文选取了点击率预估和推荐系统行业内比较认可的亚马逊数据集和某电信公司真实生产环境中的套餐数据集,并有针对性的设计开展了大量的实验,结果证明本文提出的DAMIN模型与AIN-DIN模型能够取得不错的表现。最后,本文结合实际场景设计与实现了一个面向业务分析人员的电信套餐推荐系统,并在该系统中整合了本文提出的时序推荐模型,有效提升了套餐推荐的准确性。

基于行为序列和特征的音乐推荐算法研究与应用

这是一篇关于推荐算法,用户行为序列,特征组合,注意力机制,音乐推荐系统的论文, 主要内容为近些年,随着互联网技术的飞速发展,不可胜言的信息量给人们获取确定信息带来了前所未有的挑战和困难,这种现象被称之为信息过载。直到推荐系统的出现,此问题才得到了有效改善。目前推荐系统发展迅速,各种推荐算法层出不穷。尤其是随着深度学习在图像处理等方面的广泛应用,人们自然而然地将其应用到了推荐系统中,从而更有效地缓解了信息过载问题,加快了信息筛选的速度。当下推荐系统成为了业界的关注热点,被应用到了包括音乐在内的多个领域。好的音乐推荐系统可以更好地为用户提供服务,减少用户筛选时间,为用户与平台创造更高的价值。因此国内外众多目光都聚焦在音乐推荐之上,并对其进行了大量的研究,也产生了大批成果,但和其他类型的推荐相比,具有独特性的音乐推荐主要通过隐式的方式来获取用户偏好,灵活性较强。过往的方法由于其局限性,效果有待提高,是以人们也将深度学习应用到了音乐推荐中。基于此,本文对现有的基于深度学习的时序推荐模型从不同角度进行了改进,并结合实际,将其应用于音乐推荐系统之中。本文的主要工作如下:(1)提出了DIAFN(Deep Interest and Attentional Factorization machines Network)模型。该模型以深度兴趣网络为基础,使用双路并行结构引入基于注意力的因子分解机模型,使用户行为序列实现低阶特征之间的有效组合,实现既能提取低阶特征、又能提取高阶特征的信息,捕捉多种层次的交互行为,使模型能够更好地学习到用户的兴趣特征,并获取更加丰富、精准的行为依赖信息;该模型还设计了一种新的注意力计算方式,通过使用任意两个向量的余弦相似度和模长差绝对值之间的关系来计算其相似性权重,可以更有效地学习到任意两个向量间的关系,提高模型的可解释性。(2)提出了DICN(Deep Interest and Compressed interaction Network)模型。该模型同样以深度兴趣网络为基础,融合了压缩交互网络,充分挖掘了高阶特征间的关系,突出特征交叉的重要性,使模型同时结合了显式向量级和隐式元素级特征组合,从而充分挖掘物品组合特征的潜在信息。在此基础上,使用新的注意力计算方式,再次验证其有效性。(3)选取多个常用公开数据集和本文私有数据集,分别与先进模型进行大量对比实验,通过实验结果来验证模型的有效性和实用性。最后结合实际场景,设计开发了个性化音乐推荐系统,并将本文提出的模型应用到其中。总而言之,本文主要结合了实际音乐推荐场景,从不同角度设计并实现了基于深度学习的时序推荐模型,有效地提升了模型效果,并在个性化系统中得以验证,具有一定的现实意义。

基于用户行为序列的推荐算法研究及应用

这是一篇关于用户行为序列,推荐算法,兴趣特征,注意力机制,特征组合的论文, 主要内容为在大数据时代,信息产生的速度越来越快,各行各业所累积的数据量也越来越大。比如在淘宝和京东这样的电商场景中,无论是用户的数量还是商品的数量,都是以亿为计量单位的。因此,对于一个普通的用户而言,在不借助任何工具的情况下,想要从海量的商品池中快速地找到自己感兴趣的商品是一件极其困难的事情。在这种情况下,推荐系统的产生成为了一种必然,可以帮助用户从海量信息中迅速获取有效的信息。深度学习兴起之后,融合因子分解机算法的深度学习模型成为点击率预估和推荐系统领域中一个的主流研究方向。但是,该类模型的关注点基本都是在特征与特征之间的组合上。随着对推荐系统研究的深入,越来越多的研究人员开始关注时序推荐场景下的用户行为序列等相关信息。用户的行为序列可以用来表示该用户的兴趣特征,并且这种兴趣特征具有“多样性”和“动态变化”的特点。因此,基于时序推荐场景中的用户行为序列相关信息进行建模,可以有效提高推荐的精度。比如,阿里技术团队结合自身的电商场景,首次提出了面向时序推荐场景的深度兴趣网络,并在实践中取得了不错的效果。此后,阿里技术团队在深度兴趣网络的基础之上又相继提出了很多优秀的时序推荐模型,并且这些模型都是基于用户的行为序列进行建模的。虽然阿里等团队在时序推荐的研究上取得了重大成就,但仍然存在很多问题和难点。比如,当用户的行为序列过长时,如何快速并准确的提取用户的兴趣特征是一大难点。同时,如何在基于用户行为序列的时序推荐模型中融合因子分解机算法也是一个值得研究的方向。基于以上内容,本文在现有时序推荐模型的基础之上进行改进和优化,提出了两个较为优秀的时序推荐模型,并将其整合到电信套餐推荐系统中。在基于用户行为序列的时序推荐算法理论基础之上,本文结合实际进行研究并开展了以下几项工作:(1)在阿里深度兴趣网络的基础上进行改进,并提出了一个新的时序推荐模型DAMIN。首先,改变用户动态兴趣特征层中注意力的计算方式,使用两个物品向量间欧式距离平方的倒数作为其注意力权重。与深度兴趣网络中的注意力计算方式相比,这种计算方式更具可解释性,并取得了不错的效果。其次,为了更加充分地利用候选物品向量的信息,本文对候选物品向量也进行加权操作,并使用加权后的候选物品向量与加权后的用户点击物品向量进行求和操作。这样做的目的是使得相似的两个物品向量更加的相似,不相似的两个物品向量更加的不相似。最后,将加权后的新向量作为多兴趣特征提取层的输入,用以捕捉用户的多种兴趣特征。(2)同样在深度兴趣网络的基础之上,本文提出了一个融合因子分解机算法的时序推荐模型AIN-DIN。相对用户的行为序列信息而言,物品的属性属于非时序的特征信息。为了更加充分地挖掘物品属性特征之间的关系,本文使用因子分解机算法来处理相关信息,并对物品的属性特征进行组合,使得模型的学习能力得以提升。在深度兴趣网络等模型中,用户的行为序列是由该用户浏览或者点击过的多个物品所构成的。因此,如何在基于用户行为序列的时序推荐模型中融合因子分解机相关算法,并显式地进行物品属性特征之间的组合将是一个难点,而本文提出的AIN-DIN模型能够有效地解决这个问题。(3)本文选取了点击率预估和推荐系统行业内比较认可的亚马逊数据集和某电信公司真实生产环境中的套餐数据集,并有针对性的设计开展了大量的实验,结果证明本文提出的DAMIN模型与AIN-DIN模型能够取得不错的表现。最后,本文结合实际场景设计与实现了一个面向业务分析人员的电信套餐推荐系统,并在该系统中整合了本文提出的时序推荐模型,有效提升了套餐推荐的准确性。

基于行为序列和特征的音乐推荐算法研究与应用

这是一篇关于推荐算法,用户行为序列,特征组合,注意力机制,音乐推荐系统的论文, 主要内容为近些年,随着互联网技术的飞速发展,不可胜言的信息量给人们获取确定信息带来了前所未有的挑战和困难,这种现象被称之为信息过载。直到推荐系统的出现,此问题才得到了有效改善。目前推荐系统发展迅速,各种推荐算法层出不穷。尤其是随着深度学习在图像处理等方面的广泛应用,人们自然而然地将其应用到了推荐系统中,从而更有效地缓解了信息过载问题,加快了信息筛选的速度。当下推荐系统成为了业界的关注热点,被应用到了包括音乐在内的多个领域。好的音乐推荐系统可以更好地为用户提供服务,减少用户筛选时间,为用户与平台创造更高的价值。因此国内外众多目光都聚焦在音乐推荐之上,并对其进行了大量的研究,也产生了大批成果,但和其他类型的推荐相比,具有独特性的音乐推荐主要通过隐式的方式来获取用户偏好,灵活性较强。过往的方法由于其局限性,效果有待提高,是以人们也将深度学习应用到了音乐推荐中。基于此,本文对现有的基于深度学习的时序推荐模型从不同角度进行了改进,并结合实际,将其应用于音乐推荐系统之中。本文的主要工作如下:(1)提出了DIAFN(Deep Interest and Attentional Factorization machines Network)模型。该模型以深度兴趣网络为基础,使用双路并行结构引入基于注意力的因子分解机模型,使用户行为序列实现低阶特征之间的有效组合,实现既能提取低阶特征、又能提取高阶特征的信息,捕捉多种层次的交互行为,使模型能够更好地学习到用户的兴趣特征,并获取更加丰富、精准的行为依赖信息;该模型还设计了一种新的注意力计算方式,通过使用任意两个向量的余弦相似度和模长差绝对值之间的关系来计算其相似性权重,可以更有效地学习到任意两个向量间的关系,提高模型的可解释性。(2)提出了DICN(Deep Interest and Compressed interaction Network)模型。该模型同样以深度兴趣网络为基础,融合了压缩交互网络,充分挖掘了高阶特征间的关系,突出特征交叉的重要性,使模型同时结合了显式向量级和隐式元素级特征组合,从而充分挖掘物品组合特征的潜在信息。在此基础上,使用新的注意力计算方式,再次验证其有效性。(3)选取多个常用公开数据集和本文私有数据集,分别与先进模型进行大量对比实验,通过实验结果来验证模型的有效性和实用性。最后结合实际场景,设计开发了个性化音乐推荐系统,并将本文提出的模型应用到其中。总而言之,本文主要结合了实际音乐推荐场景,从不同角度设计并实现了基于深度学习的时序推荐模型,有效地提升了模型效果,并在个性化系统中得以验证,具有一定的现实意义。

基于深度学习和行为序列的电影推荐系统研究与实现

这是一篇关于电影推荐,用户行为序列,时间权值,GRU,冷启动推荐,MLP的论文, 主要内容为近年来,互联网技术的迅猛发展,导致信息过载。与此同时,用户的需求也越来越多样化、个性化。推荐系统作为信息过滤技术之一,面临着过于依赖用户显性反馈的问题,同时忽视了冷启动对于用户留存的影响。为此,本文研究并提出了一种基于用户行为序列的推荐算法和一种针对新用户的冷启动电影推荐算法。本文的具体研究内容如下:(1)阐述了课题的背景和研究意义,分析了传统的推荐算法,包括协同过滤推荐算法的不足,同时研究了基于深度学习和基于行为序列的各种推荐算法的国内外研究现状和优缺点。(2)在实际推荐应用中,随着时间的推移,用户的兴趣会发生相应的变化,而愈接近当前时刻的历史行为对当前时刻的兴趣状态的影响愈大。但已有的GRU模型只能通过历史行为推断出最终的兴趣,并未考虑到历史行为对最终兴趣的影响存在着随时间衰减这一特性。本文首先提出的一种改进模型——TGRU将时间权值与GRU模型相融合,以此获得更加精确的兴趣表达。此外,使用AUGRU模型捕捉与最终兴趣相关的那些兴趣的演化过程,从而预测用户未来的兴趣。基于上述成果与分析,本文最终提出一种融合时间权值和用户行为序列的电影推荐模型——MRTUB,该模型较为全面地考虑到了用户兴趣的提取及演化过程。实验结果表明,本文所提出的MRTUB电影推荐模型相比于GRU的各种叠加模型而言,效果更优。(3)针对目前的冷启动推荐过于依赖用户评分数据的问题,本文将输入特征聚焦在用户特征和电影特征上,使用深度学习计算用户相似度,以及进行用户和电影的特征融合,提出了基于相似度计算和MLP网络的冷启动电影推荐模型RM-SC-MLP。模型使用用户特征信息和MLP计算用户间的整体相似度,根据相似用户的交互电影得到新用户的候选电影集,然后基于深度学习进行用户特征和电影特征的提取及融合,最后得到预测评分。实验结果表明,本文所提出的冷启动电影推荐算法相比于其他冷启动方法而言,计算结果更为准确。(4)利用本文提出的两种推荐算法,结合不同的推荐场景,使用Vue和Spring Boot框架设计和实现一个电影推荐系统。

面向用户偏好和行为感知的推荐方法研究

这是一篇关于推荐系统,图神经网络,注意力机制,用户行为序列,循环神经网络的论文, 主要内容为当今世界,丰富多元的信息充斥着每个人的生活,信息过载问题尤为严重。对广大用户来说,信息过载带来的一个主要问题是:巨量冗余的信息将极大干扰用户对其所需信息的准确选择。如何从海量的数据中快速找寻用户最感兴趣的内容是当前各大平台关注的热点,这一现象促进了推荐技术的快速发展。在推荐系统中,如何根据已有的用户行为和信息准确地对用户偏好进行预测是最核心的问题。针对上述问题,本文围绕推荐领域的发展历程和研究现状进行了充分的调研,整理分析了目前工作的不足与改进之处,重点研究了基于序列模型和基于图神经网络的推荐模型,并在前人工作的基础上进行了模型的优化,最终将推荐方法应用于原型系统。以下是本文的主要工作内容:(1)大多数端到端的模型忽略了上下文信息和用户行为数据之间的关联和融合,针对上述问题,本文研究了一种两阶段的序列推荐框架。此方法通过组合非入侵多头注意力机制和掩码语言模型融合上下文信息,使得用户序列获得了丰富的语义信息和特征表示。针对用户长期和短期兴趣有显著变化的问题,通过特定方式分别捕获用户长期稳定的偏好和用户即时意图。最终,采用自适应融合模块动态地为长短期偏好分配不同的权重,从而得到更符合用户个性化特征的总体偏好表示。该模型在Movie Lens和Amazon Beauty/Books数据集上取得了较好的性能。(2)针对真实场景中用户行为存在多种类型的问题,本文研究了一种基于图神经网络的多行为推荐模型。此模型采用自定义的元学习范式编码不同类型行为的特征表示,利用学习到的元知识生成转换权重,将特定类型的行为语义注入到初始嵌入中。同时采用基于注意力网络的多行为关系学习函数,解决不同类型的行为相互交织问题。最后通过图神经网络捕捉图结构中的高阶行为信息。三个电子商务数据集上的实验结果表明将不同行为之间的差异编码到用户的序列表示中能够学习到更准确的用户偏好特征,从而提高对目标行为的推荐效果。(3)设计并构建了用于购物推荐的原型系统,该系统采用阿里开源的淘宝用户行为数据集。遵循推荐系统的一般设计方案,先采用传统的基于协同过滤和内容相似的召回算法缩小对商品的计算范围,进而采用本文提出的推荐模型对召回结果列表计算预测值并进行排序,最后根据推荐列表渲染可视化界面呈现给用户。针对该系统中设计的各项功能如用户登录、订单管理、为你推荐等进行了测试和验证,结果证明了该原型系统可以稳定的运行。