基于用户兴趣和险情的自适应景点推荐系统设计与实现
这是一篇关于数据稀疏,上下文信息,长短期偏好,跨区域推荐,景点推荐系统的论文, 主要内容为景点推荐作为兴趣点推荐的热门研究方向,已经被广泛应用于游客出行活动中。伴随着交通工具的发展,游客的出行范围显著扩大,数据稀疏性问题对景点推荐模型造成的负面影响也日益扩大。而随着LBSN等复杂社交网络的发展,如何更加有效地利用日益丰富的游客出行轨迹以及更加细粒度地发掘游客签到行为上下文之间的联系也都成为现如今热点研究方向。另外,近些年的疫情防控等险情预防工作也成为景点推荐系统在应用领域需要完善的方向。考虑上述几点问题,本文研究并设计了基于用户兴趣和险情的自适应景点推荐系统,主要工作如下几点:(1)提出了基于用户局部兴趣的Logistic矩阵分解模型,将局部时空上下文信息抽象为用户局部兴趣,并将其融合到采用概率方法的矩阵因子分解模型中。通过逻辑函数对用户对某个景点的偏好概率进行建模,再融合上下文的时空信息,从局部到整体建模用户全局兴趣。该模型在FourSquare和Gowalla数据集中展示了优于各个基准的性能,通过消融实验验证了局部兴趣的有效性,且在稀疏性实验中的不同稀疏度测试下表现出了稳定的效果。(2)提出了基于时空活动中心的社会化推荐算法,根据用户活动的地理聚集特征建模用户的时空活动中心,并在此基础上对用户社会化关系建模,联合用户显性及隐形社交建模其社会化关系。最终将时间、空间及社会化关系作为上下文信息融入矩阵因子分解方法中。通过对比实验及消融实验,验证了本文提出的社会化推荐算法对于缓解数据稀疏问题的效果。(3)提出了基于用户长短期偏好自适应的景点推荐模型,在LSTM内添加了时空门逻辑,强化模型对于时空依赖关系的学习,并将用户隐状态,景点隐状态以及轨迹序列隐状态结合起来,进一步提出了一种根据上下文信息对长短期偏好进行自适应融合的方案,动态结合用户的短期偏好和长期偏好,完成景点的自适应推荐任务。通过对比实验验证了模型对于个性化景点推荐的提升效果,并通过消融实验验证了各项优化的有效性。(4)提出了基于NVDM-GSM的跨区域推荐模型,利用(3)中的循环神经网络模型获取用户现有签到轨迹体现出的已知兴趣偏好,经过多层感知机的非线性映射函数迁移到异地偏好的向量空间。在此基础上,通过神经主题模型NVDM-GSM对相似用户集合在用户异地区域的出行记录编码和解码,采用变分推理在无监督情况下揭示用户在该区域的出行意愿。最终,将上述用户迁移过的已知偏好和其异地区域的出行意愿结合,得到用户在异地区域的潜在偏好,解决跨区域推荐的冷启动问题和兴趣漂移问题。在两大真实世界数据集上的对比实验中,该模型的推荐结果优于各个基准模型,验证了其在跨区域推荐场景中的有效性。(5)结合上述推荐模型,本文设计并实现了一个基于用户兴趣和险情的自适应景点推荐系统,综合考虑数据稀疏、从复杂签到轨迹提取用户偏好、跨区域推荐的冷启动和兴趣漂移问题等主要问题,并根据用户反馈和实时险情状况及时调整推荐结果,提升了推荐结果的有效性和实时性。
感知用户长短期偏好的序列推荐算法研究
这是一篇关于深度学习,序列推荐,长短期偏好,时间信息,对比学习的论文, 主要内容为序列推荐通过对用户与项目的交互序列进行建模,可以为用户提供准确、个性化的推荐建议。它可以用来缓解信息过载问题,为用户省下时间和精力,给企业或个人创造出极大的价值。目前,较多的序列推荐模型将用户行为偏好分为长期行为和短期行为进行建模。虽然前人的研究中已经取得了瞩目的成果,但仍存在以下不足:(1)研究者们仅关注用户交互行为序列的顺序依赖,而忽略了时间上下文信息对用户下一项交互行为的影响。(2)在一些现实应用场景中,序列推荐模型长期受到数据稀疏和序列噪声问题的影响,并且模型使用大量无标注的数据进行训练会导致用户表征质量偏低。为缓解这些问题造成的影响,本文对序列推荐中融入时间上下文信息、缓解序列噪声问题以及增强用户表征等方面进行研究和探索。本文的研究内容主要如下:(1)为利用用户交互行为序列中的时间信息来提高序列推荐的效果,本文提出了一种融合时间上下文信息与长短期偏好的序列推荐模型(TCLSRec)。该模型利用感知时间间隔的自注意力机制捕捉用户短期行为序列与时间间隔信息的深层关联,并利用增加了时间间隔门的RT-GRU网络来建模用户的长期行为偏好。模型设计一个门控机制来动态分配用户长期和短期行为偏好的影响权重,并以此将长期和短期行为偏好进行融合。在三个公开真实数据集上的实验结果表明,本文提出的TCLSRec模型在融合了时间间隔信息后一定程度上解决了推荐时效性的问题,并在推荐性能上有所提高。(2)为缓解数据稀疏、数据未标注以及序列噪声等问题,本文在TCLSRec模型的基础上,提出了加入对比学习的改进模型(ILSRec)。该模型以相同的方式对用户原始交互行为序列进行建模,并同时设计一个对比学习任务。该任务从用户原始交互序列生成数据增强序列,并将增强序列建模后使用对比学习的方式进行训练,以此获取原始数据本身的自监督信号用于拟合。最后,模型采用多任务训练策略,将两种训练任务的损失函数以线性加和的方式一起优化,进而获得高质量的用户表征。在四个公开真实数据集上的实验结果表明,本文提出的改进ILSRec模型通过对序列数据提取自监督信号进行训练,获得了更贴合用户真实偏好的表征,进一步提高了推荐系统的准确性和健壮性。图[29]表[8]参[78]
基于用户兴趣和险情的自适应景点推荐系统设计与实现
这是一篇关于数据稀疏,上下文信息,长短期偏好,跨区域推荐,景点推荐系统的论文, 主要内容为景点推荐作为兴趣点推荐的热门研究方向,已经被广泛应用于游客出行活动中。伴随着交通工具的发展,游客的出行范围显著扩大,数据稀疏性问题对景点推荐模型造成的负面影响也日益扩大。而随着LBSN等复杂社交网络的发展,如何更加有效地利用日益丰富的游客出行轨迹以及更加细粒度地发掘游客签到行为上下文之间的联系也都成为现如今热点研究方向。另外,近些年的疫情防控等险情预防工作也成为景点推荐系统在应用领域需要完善的方向。考虑上述几点问题,本文研究并设计了基于用户兴趣和险情的自适应景点推荐系统,主要工作如下几点:(1)提出了基于用户局部兴趣的Logistic矩阵分解模型,将局部时空上下文信息抽象为用户局部兴趣,并将其融合到采用概率方法的矩阵因子分解模型中。通过逻辑函数对用户对某个景点的偏好概率进行建模,再融合上下文的时空信息,从局部到整体建模用户全局兴趣。该模型在FourSquare和Gowalla数据集中展示了优于各个基准的性能,通过消融实验验证了局部兴趣的有效性,且在稀疏性实验中的不同稀疏度测试下表现出了稳定的效果。(2)提出了基于时空活动中心的社会化推荐算法,根据用户活动的地理聚集特征建模用户的时空活动中心,并在此基础上对用户社会化关系建模,联合用户显性及隐形社交建模其社会化关系。最终将时间、空间及社会化关系作为上下文信息融入矩阵因子分解方法中。通过对比实验及消融实验,验证了本文提出的社会化推荐算法对于缓解数据稀疏问题的效果。(3)提出了基于用户长短期偏好自适应的景点推荐模型,在LSTM内添加了时空门逻辑,强化模型对于时空依赖关系的学习,并将用户隐状态,景点隐状态以及轨迹序列隐状态结合起来,进一步提出了一种根据上下文信息对长短期偏好进行自适应融合的方案,动态结合用户的短期偏好和长期偏好,完成景点的自适应推荐任务。通过对比实验验证了模型对于个性化景点推荐的提升效果,并通过消融实验验证了各项优化的有效性。(4)提出了基于NVDM-GSM的跨区域推荐模型,利用(3)中的循环神经网络模型获取用户现有签到轨迹体现出的已知兴趣偏好,经过多层感知机的非线性映射函数迁移到异地偏好的向量空间。在此基础上,通过神经主题模型NVDM-GSM对相似用户集合在用户异地区域的出行记录编码和解码,采用变分推理在无监督情况下揭示用户在该区域的出行意愿。最终,将上述用户迁移过的已知偏好和其异地区域的出行意愿结合,得到用户在异地区域的潜在偏好,解决跨区域推荐的冷启动问题和兴趣漂移问题。在两大真实世界数据集上的对比实验中,该模型的推荐结果优于各个基准模型,验证了其在跨区域推荐场景中的有效性。(5)结合上述推荐模型,本文设计并实现了一个基于用户兴趣和险情的自适应景点推荐系统,综合考虑数据稀疏、从复杂签到轨迹提取用户偏好、跨区域推荐的冷启动和兴趣漂移问题等主要问题,并根据用户反馈和实时险情状况及时调整推荐结果,提升了推荐结果的有效性和实时性。
感知用户长短期偏好的序列推荐算法研究
这是一篇关于深度学习,序列推荐,长短期偏好,时间信息,对比学习的论文, 主要内容为序列推荐通过对用户与项目的交互序列进行建模,可以为用户提供准确、个性化的推荐建议。它可以用来缓解信息过载问题,为用户省下时间和精力,给企业或个人创造出极大的价值。目前,较多的序列推荐模型将用户行为偏好分为长期行为和短期行为进行建模。虽然前人的研究中已经取得了瞩目的成果,但仍存在以下不足:(1)研究者们仅关注用户交互行为序列的顺序依赖,而忽略了时间上下文信息对用户下一项交互行为的影响。(2)在一些现实应用场景中,序列推荐模型长期受到数据稀疏和序列噪声问题的影响,并且模型使用大量无标注的数据进行训练会导致用户表征质量偏低。为缓解这些问题造成的影响,本文对序列推荐中融入时间上下文信息、缓解序列噪声问题以及增强用户表征等方面进行研究和探索。本文的研究内容主要如下:(1)为利用用户交互行为序列中的时间信息来提高序列推荐的效果,本文提出了一种融合时间上下文信息与长短期偏好的序列推荐模型(TCLSRec)。该模型利用感知时间间隔的自注意力机制捕捉用户短期行为序列与时间间隔信息的深层关联,并利用增加了时间间隔门的RT-GRU网络来建模用户的长期行为偏好。模型设计一个门控机制来动态分配用户长期和短期行为偏好的影响权重,并以此将长期和短期行为偏好进行融合。在三个公开真实数据集上的实验结果表明,本文提出的TCLSRec模型在融合了时间间隔信息后一定程度上解决了推荐时效性的问题,并在推荐性能上有所提高。(2)为缓解数据稀疏、数据未标注以及序列噪声等问题,本文在TCLSRec模型的基础上,提出了加入对比学习的改进模型(ILSRec)。该模型以相同的方式对用户原始交互行为序列进行建模,并同时设计一个对比学习任务。该任务从用户原始交互序列生成数据增强序列,并将增强序列建模后使用对比学习的方式进行训练,以此获取原始数据本身的自监督信号用于拟合。最后,模型采用多任务训练策略,将两种训练任务的损失函数以线性加和的方式一起优化,进而获得高质量的用户表征。在四个公开真实数据集上的实验结果表明,本文提出的改进ILSRec模型通过对序列数据提取自监督信号进行训练,获得了更贴合用户真实偏好的表征,进一步提高了推荐系统的准确性和健壮性。图[29]表[8]参[78]
基于知识图谱和个性化注意力机制的新闻推荐方法研究
这是一篇关于知识图谱,个性化注意力机制,新闻推荐,长短期偏好,卷积神经网络的论文, 主要内容为如今众多在线新闻平台生产着海量新闻,吸引着大量用户阅读。用户想要从海量新闻中去找寻自己所感兴趣的新闻显得十分困难,因此缓解新闻信息的超载,提升用户的体验,推荐给用户真正感兴趣的新闻显得尤为重要。目前在传统的新闻推荐场景面临以下两个挑战:(1)并非所有用户点击的新闻都能反映用户的喜好,同一条新闻对于不同用户的表征应该是不同的,需要考虑用户的兴趣偏好。(2)新闻标题中的不同单词可能具有不同的信息权重,而传统的新闻推荐仅仅通过单个新闻信息来进行学习,忽略了新闻表征中的单词权重,造成推荐效果不佳。为了解决以上问题,本文提出了一种基于知识图谱和个性化注意力机制的新闻推荐方法,主要工作和贡献如下:(1)提出一种基于知识图谱和个性化注意力机制的新闻推荐模型NR-KGPAN(News Recommendation-Knowledge Graph and Personalized Attention Network)。该模型包含用户编码器和新闻编码器两个核心模块。相比较传统的方法,该模型在新闻编码器中加入知识图谱丰富实体信息,将不同类型的新闻数据视作不同新闻视角,通过使用单词级和新闻级的注意力网络来选择重要的单词。在用户编码器中,考虑用户的个性化需求,使用新闻级的注意力机制来选取高信息量的新闻,从而提高最终推荐准确率。(2)考虑到用户的长短期兴趣偏好对当前的推荐有较大的影响,在NR-KGPAN模型的新闻编码器中融入长短期新闻偏好,利用双向时间序列循环神经网络Bi-LSTM(Bidirectional-Long Short-term Memory)捕获文本之间的前后语义关系,在用户编码器中,将CNN与Bi-LSTM的输出共同作为个性化注意力网络层的输入,将输出结果通过门控神经网络GRU(Gate Recurrent Unit)来捕获用户的长短期兴趣偏好。(3)在微软新闻数据集(MIND)上将所提方法与多个基准模型进行对比。利用平均倒数排名(MRR)、模型评估指标(AUC)、归一化折损累计增益(NDGG)作为评价指标。实现结果表明,本文模型在推荐准确率方面上相比基准模型的有明显的提高,证明本文提出模型在新闻推荐中的有效性。
基于上下文感知的序列推荐系统的研究与实现
这是一篇关于推荐系统,上下文感知,序列推荐,长短期偏好,CA-LSTP模型的论文, 主要内容为大数据时代让人们获取了丰富多彩的信息,同时也为人们带来了选择困难症。然而,最好的选择就是不需要选择。推荐系统能够根据用户的历史交互信息帮助他们从大量数据中发现其可能感兴趣的项目,在一定程度上缓解了信息过载的难题。传统的推荐系统以静态的方法构造“用户-项目”之间的二元关系,分析用户的历史行为从而挖掘用户的喜好。这样的推荐算法通常假设用户的偏好是稳定不变的。因此,产生的推荐结果有一定的局限性。上下文感知推荐系统将对用户偏好有影响的上下文信息融入到传统的二元关系中,提高了对用户偏好建模的准确性,但依然无法灵活捕获用户动态变化的兴趣。而事实上,用户的行为序列所反映出的信息能够更直观地体现出用户的偏好轨迹。因此,从用户的序列信息中捕获动态偏好对生成高度个性化的推荐结果有着非常重要的意义。针对上述问题,本文对基于上下文感知的序列推荐系统展开深入研究,提出了一种基于上下文感知的自适应融合长短期偏好的用户模型,简称CA-LSTP模型。本文的主要研究内容如下:1、传统的RNN模型对序列建模表现良好,但在建模时只关注用户的交互顺序而忽略了交互中隐藏的丰富的上下文信息。本文基于交互序列中隐藏的交互类型上下文和时间间隔上下文对用户的短期偏好建模提出了改进。首先,考虑到用户行为具有多样性的特征,不同的行为类型可以反映出用户对项目不同的喜爱程度,为了捕获用户所交互项目间的相似性,本文提出了一种基于用户行为类型的嵌入网络。之后,提出了一种自注意力机制来获取用户基于交互类型上下文的短期偏好表示。其次,针对时间间隔上下文,本文对LSTM模型提出了改进,增加了两个时间感知特征提高了模型对时间的敏感度,便于获得用户基于时间间隔上下文的短期偏好表示。最后,将上述两点融合完成了对用户短期偏好的建模。2、传统的推荐系统忽略了用户的长期偏好会随着时间的推移而不断变化的这一因素,静态地构建用户模型并不能完全反应用户的特征。因此,本文基于用户行为序列对用户的长期偏好模型提出改进。与短期偏好不同,长期偏好是长期积累下来并且相对稳定的,只有部分的交互类型上下文能清晰地描述用户的长期偏好行为。所以,在对用户长期偏好建模时将选择利用有效的行为类型来对模型进行更新,保证了用户的长期偏好也是随着时间而缓慢地动态变化。为了实现这一需求,本文基于特定交互类型上下文对双向LSTM模型提出改进来优化用户的长期偏好模型。3、长期偏好和短期偏好各有优缺点,在融合之时哪一种偏好应该占有更重要的权重应该是由实际情况决定的。因此,需要采用一种自适应的融合方法才能合理地容纳这两个部分。本文采用基于上下文的注意力机制来自适应融合长短期偏好。最后,基于BPR优化准则采用两两排序算法对模型进行优化。4、将CA-LSTP模型与一些基准模型在亚马逊数据集和天池数据集上进行了对比实验。实验结果表明,相比其他基准模型,本文提出的CA-LSTP模型在推荐准确度和性能上都具有更好的表现,同时也验证了构建用户偏好模型时考虑上下文信息对精确预测用户偏好的重要性。5、以CA-LSTP模型为核心,使用SSM框架、Bootstrap框架以及j Query库设计并实现了一个完整的交易商城个性化推荐系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码货栈 ，原文地址：https://m.bishedaima.com/lunwen/48227.html
