基于图神经网络和双向长短期记忆网络的会话推荐研究
这是一篇关于会话推荐系统,图神经网络,双向长短期记忆网络的论文, 主要内容为随着互联网的快速发展,信息量与日俱增,推荐系统在缓解用户信息过载,提升用户体验方面发挥着重要作用,目前被广泛应用于电商平台,新闻网站等工业场景。会话推荐系统作为推荐系统下的一个子领域,主要针对用户匿名登录的情况,为用户进行个性化推荐。会话是指用户和系统的一次交互过程,例如从用户打开网站到退出的这段时间称为一次会话。在会话推荐系统中,由于用户匿名登录,系统无法获取用户的个人信息和历史浏览记录,仅能根据用户此次会话过程中浏览的商品为用户进行推荐,因此会话推荐系统是一个更具挑战性的推荐场景。对于会话推荐系统,早期的研究主要是基于矩阵分解和基于商品相似性进行推荐。但是,上述方法不能很好地捕获商品之间的序列依赖关系,推荐的准确性不高。近年来,随着深度学习技术的不断发展,使用神经网络提取商品序列中的时序特征,建模用户兴趣偏好的方法取得了良好的效果。在本论文中,我们提出了一种新颖的会话推荐方法用于进行个性化推荐,方法名为GNN-BLSTM,其核心思想是使用图神经网络建模商品之间复杂的转移关系,为商品生成准确的表征向量;之后基于生成的商品表征,使用双向长短期记忆网络对会话中的商品序列进行特征提取,建模用户的兴趣偏好,得到用户的表征向量;最后,基于商品表征向量和用户表征向量,为每个待推荐商品计算得到一个推荐分数,将分数较高的商品推荐给用户。为验证方法的有效性,我们在公共的Yoochoose1＿64数据集、Yoochoose1＿4数据集和Diginetica数据集上面进行了测试,经过实验证明,本论文提出的方法在会话推荐任务上取得了较高的准确性。
基于双通道的思维导图推荐系统设计与实现
这是一篇关于推荐系统,图神经网络,会话推荐系统,个性化推荐系统的论文, 主要内容为随着信息时代的来临,数据规模的爆炸式增长使得用户面临诸如数据过载等问题,从而导致用户难以找寻和发掘所需内容。思维导图作为一种学习工具,已经越来越被用户熟知和使用,然而其推荐平台却鲜有人知,阻碍了思维导图的传播。本系统从思维导图推荐平台的特点和需求出发,为用户提供准确的推荐结果。(1)本文提出了一种基于用户显式反馈的图卷积神经网络(FBGCN),利用隐式反馈和显式反馈提供更准确的推荐结果。为了结合上述两种反馈,提出了一种基于pairwise learning-to-rank方法的全局显式反馈模块,经过实验验证本模型与LGCN模型在Movielen数据集上recall@20有7.95%的性能提升。(2)本文提出了一种基于用户兴趣转移的会话推荐模型(ISB-GCN),旨在为访问系统的匿名用户提供准确的推荐结果。该模型基于遗忘曲线构造了兴趣衰减图,并从该图中提取用户的全局兴趣特征和局部兴趣特征。该模型还构造了一种兴趣容器,用于捕捉用户的兴趣转移特征。经过实验验证该模型相比较GCE-GNN模型在Tmall数据集上MRR@20指标有17.64%的性能提升。(3)提出了一种基于等价对比学习的句向量表征学习模型(EqvCSE),该模型产生的句向量用作主题相似度推荐。该模型通过将句子输入编码器两次来实现不敏感数据增强,并针对单词替换这种敏感数据增强设计了一种甄别器,从而提高了句向量的表现力。经过实验验证,相比SimCSE模型有约5%性能提升,达到了 SOTA水平。(4)基于上述三个模型,本系统设计并实现了一种针对思维导图的推荐系统。系统采用个性化推荐与会话推荐的双通道架构,涵盖了登录场景与匿名场景的推荐任务,从而满足了不同用户对思维导图平台的需求。
基于双通道的思维导图推荐系统设计与实现
这是一篇关于推荐系统,图神经网络,会话推荐系统,个性化推荐系统的论文, 主要内容为随着信息时代的来临,数据规模的爆炸式增长使得用户面临诸如数据过载等问题,从而导致用户难以找寻和发掘所需内容。思维导图作为一种学习工具,已经越来越被用户熟知和使用,然而其推荐平台却鲜有人知,阻碍了思维导图的传播。本系统从思维导图推荐平台的特点和需求出发,为用户提供准确的推荐结果。(1)本文提出了一种基于用户显式反馈的图卷积神经网络(FBGCN),利用隐式反馈和显式反馈提供更准确的推荐结果。为了结合上述两种反馈,提出了一种基于pairwise learning-to-rank方法的全局显式反馈模块,经过实验验证本模型与LGCN模型在Movielen数据集上recall@20有7.95%的性能提升。(2)本文提出了一种基于用户兴趣转移的会话推荐模型(ISB-GCN),旨在为访问系统的匿名用户提供准确的推荐结果。该模型基于遗忘曲线构造了兴趣衰减图,并从该图中提取用户的全局兴趣特征和局部兴趣特征。该模型还构造了一种兴趣容器,用于捕捉用户的兴趣转移特征。经过实验验证该模型相比较GCE-GNN模型在Tmall数据集上MRR@20指标有17.64%的性能提升。(3)提出了一种基于等价对比学习的句向量表征学习模型(EqvCSE),该模型产生的句向量用作主题相似度推荐。该模型通过将句子输入编码器两次来实现不敏感数据增强,并针对单词替换这种敏感数据增强设计了一种甄别器,从而提高了句向量的表现力。经过实验验证,相比SimCSE模型有约5%性能提升,达到了 SOTA水平。(4)基于上述三个模型,本系统设计并实现了一种针对思维导图的推荐系统。系统采用个性化推荐与会话推荐的双通道架构,涵盖了登录场景与匿名场景的推荐任务,从而满足了不同用户对思维导图平台的需求。
面向图数据推理的推荐系统研究
这是一篇关于图数据推理,知识图谱,推荐系统,会话推荐系统的论文, 主要内容为随着互联网的迅速发展,各个应用平台的用户和商品的数据量都呈指数级增长,基于对用户行为的分析,传统推荐系统通过准确建模用户偏好,对用户进行精准推荐,为各个平台带来了客观利润。但是由于缺乏可解释性的问题,导致用户对系统的认可度较低。将图数据作为辅助信息引入推荐系统中,可以有效的解决可解释性的问题,面向图数据的推理利用实体间的关系挖掘数据中的潜在知识,推理的过程可以显式展现出来,对我国社会经济的发展具有重要的研究意义。本文的主要工作包括以下内容:首先本文针对电商环境下竞品与搭配品的关系预测问题,提出了一个知识感知的图数据推理模型。我们首先从电子商务数据集中提取结构化信息构建知识图谱,将商品关系推理任务转化为知识图上的路径推理问题,并利用动态策略网络进行精确决策。实验结果表明,本文的模型能够有效地利用知识图谱进行推理,预测竞品关系和搭配品关系,并达到了最好的效果。然后本文针对基于商品属性的会话推荐系统问题,提出一个二阶段的图数据推理模型,将整个会话过程建模为图上的推理过程。模型由两个网络组成(雇主网络和雇员网络),雇主网络负责决定下一轮动作,询问属性还是推荐商品。雇员网络由两个模块组成,查询模块和推荐模块,负责完成每项任务。整个模型通过两个网络的协作学习最佳交互策略。实验结果表明,本文的模型在4个数据集上取得了很好的效果,对话的平均轮数减少了0.59,15轮对话内成功推荐的概率增长了10%。最后本文针对基于文本内容的会话推荐系统问题,提出两个模型分别完成推荐任务和主题预测任务。模型将会话中包含的实体看作是图数据推理的种子,基于一定的规则扩展的与种子实体相连接的邻居实体。实验表明,在图中搜索得到的路径集合为图推理提供更加丰富的语义,路径信息提高了模型的准确率并且丰富了对话内容。
基于图神经网络和双向长短期记忆网络的会话推荐研究
这是一篇关于会话推荐系统,图神经网络,双向长短期记忆网络的论文, 主要内容为随着互联网的快速发展,信息量与日俱增,推荐系统在缓解用户信息过载,提升用户体验方面发挥着重要作用,目前被广泛应用于电商平台,新闻网站等工业场景。会话推荐系统作为推荐系统下的一个子领域,主要针对用户匿名登录的情况,为用户进行个性化推荐。会话是指用户和系统的一次交互过程,例如从用户打开网站到退出的这段时间称为一次会话。在会话推荐系统中,由于用户匿名登录,系统无法获取用户的个人信息和历史浏览记录,仅能根据用户此次会话过程中浏览的商品为用户进行推荐,因此会话推荐系统是一个更具挑战性的推荐场景。对于会话推荐系统,早期的研究主要是基于矩阵分解和基于商品相似性进行推荐。但是,上述方法不能很好地捕获商品之间的序列依赖关系,推荐的准确性不高。近年来,随着深度学习技术的不断发展,使用神经网络提取商品序列中的时序特征,建模用户兴趣偏好的方法取得了良好的效果。在本论文中,我们提出了一种新颖的会话推荐方法用于进行个性化推荐,方法名为GNN-BLSTM,其核心思想是使用图神经网络建模商品之间复杂的转移关系,为商品生成准确的表征向量;之后基于生成的商品表征,使用双向长短期记忆网络对会话中的商品序列进行特征提取,建模用户的兴趣偏好,得到用户的表征向量;最后,基于商品表征向量和用户表征向量,为每个待推荐商品计算得到一个推荐分数,将分数较高的商品推荐给用户。为验证方法的有效性,我们在公共的Yoochoose1＿64数据集、Yoochoose1＿4数据集和Diginetica数据集上面进行了测试,经过实验证明,本论文提出的方法在会话推荐任务上取得了较高的准确性。
基于图神经网络和双向长短期记忆网络的会话推荐研究
这是一篇关于会话推荐系统,图神经网络,双向长短期记忆网络的论文, 主要内容为随着互联网的快速发展,信息量与日俱增,推荐系统在缓解用户信息过载,提升用户体验方面发挥着重要作用,目前被广泛应用于电商平台,新闻网站等工业场景。会话推荐系统作为推荐系统下的一个子领域,主要针对用户匿名登录的情况,为用户进行个性化推荐。会话是指用户和系统的一次交互过程,例如从用户打开网站到退出的这段时间称为一次会话。在会话推荐系统中,由于用户匿名登录,系统无法获取用户的个人信息和历史浏览记录,仅能根据用户此次会话过程中浏览的商品为用户进行推荐,因此会话推荐系统是一个更具挑战性的推荐场景。对于会话推荐系统,早期的研究主要是基于矩阵分解和基于商品相似性进行推荐。但是,上述方法不能很好地捕获商品之间的序列依赖关系,推荐的准确性不高。近年来,随着深度学习技术的不断发展,使用神经网络提取商品序列中的时序特征,建模用户兴趣偏好的方法取得了良好的效果。在本论文中,我们提出了一种新颖的会话推荐方法用于进行个性化推荐,方法名为GNN-BLSTM,其核心思想是使用图神经网络建模商品之间复杂的转移关系,为商品生成准确的表征向量;之后基于生成的商品表征,使用双向长短期记忆网络对会话中的商品序列进行特征提取,建模用户的兴趣偏好,得到用户的表征向量;最后,基于商品表征向量和用户表征向量,为每个待推荐商品计算得到一个推荐分数,将分数较高的商品推荐给用户。为验证方法的有效性,我们在公共的Yoochoose1＿64数据集、Yoochoose1＿4数据集和Diginetica数据集上面进行了测试,经过实验证明,本论文提出的方法在会话推荐任务上取得了较高的准确性。
基于双通道的思维导图推荐系统设计与实现
这是一篇关于推荐系统,图神经网络,会话推荐系统,个性化推荐系统的论文, 主要内容为随着信息时代的来临,数据规模的爆炸式增长使得用户面临诸如数据过载等问题,从而导致用户难以找寻和发掘所需内容。思维导图作为一种学习工具,已经越来越被用户熟知和使用,然而其推荐平台却鲜有人知,阻碍了思维导图的传播。本系统从思维导图推荐平台的特点和需求出发,为用户提供准确的推荐结果。(1)本文提出了一种基于用户显式反馈的图卷积神经网络(FBGCN),利用隐式反馈和显式反馈提供更准确的推荐结果。为了结合上述两种反馈,提出了一种基于pairwise learning-to-rank方法的全局显式反馈模块,经过实验验证本模型与LGCN模型在Movielen数据集上recall@20有7.95%的性能提升。(2)本文提出了一种基于用户兴趣转移的会话推荐模型(ISB-GCN),旨在为访问系统的匿名用户提供准确的推荐结果。该模型基于遗忘曲线构造了兴趣衰减图,并从该图中提取用户的全局兴趣特征和局部兴趣特征。该模型还构造了一种兴趣容器,用于捕捉用户的兴趣转移特征。经过实验验证该模型相比较GCE-GNN模型在Tmall数据集上MRR@20指标有17.64%的性能提升。(3)提出了一种基于等价对比学习的句向量表征学习模型(EqvCSE),该模型产生的句向量用作主题相似度推荐。该模型通过将句子输入编码器两次来实现不敏感数据增强,并针对单词替换这种敏感数据增强设计了一种甄别器,从而提高了句向量的表现力。经过实验验证,相比SimCSE模型有约5%性能提升,达到了 SOTA水平。(4)基于上述三个模型,本系统设计并实现了一种针对思维导图的推荐系统。系统采用个性化推荐与会话推荐的双通道架构,涵盖了登录场景与匿名场景的推荐任务,从而满足了不同用户对思维导图平台的需求。
基于图神经网络的会话推荐算法研究
这是一篇关于会话推荐系统,图神经网络,注意力机制,位置嵌入的论文, 主要内容为推荐系统是许多网站的重要组成部分。传统的推荐系统是根据用户的历史行为挖掘用户的兴趣,并以此预测用户可能喜好的产品。然而,在现代的许多电商平台中,用户的信息是匿名的,基于历史行为的推荐不再可行。这就产生了新的推荐系统分支:基于会话的推荐系统,简称会话推荐系统。会话推荐系统的任务旨在根据匿名会话进行推荐。传统的推荐系统更加关注用户的长期兴趣,而会话推荐系统更加注重于当前会话的短期偏好。当前,针对会话推荐系统的研究日益增多。基于用户的协同过滤算法不适用于基于匿名用户的会话推荐系统,基于物品的协同过滤算法仅考虑会话的最后一次点击,难以充分利用会话中有限的序列信息。循环神经网络、注意力机制和图神经网络在自然语言处理等领域的成功应用为会话推荐提供了新的思路。但是,已有的会话推荐算法仍然存在以下不足:(1)图神经网络利用相邻节点间的信息聚合项目的特征,忽略了不相邻项目之间的联系,造成了信息丢失。(2)图神经网络将会话中相同的项目视为单个节点,忽略了不同位置上项目之间的差异性,并且未利用其他会话学习用户的短期偏好。(3)研究者普遍追求较高的精度而设计复杂的模型,造成了较大的性能开销,这使得提出的算法难以应用在实际生产中。针对以上问题,本文从图神经网络的结构出发,在已有的研究成果上进行创新,设计更好的会话推荐模型。本文的主要工作如下:(1)提出了一种基于注意力机制和图神经网络的会话推荐模型,它同时考虑了图中的邻接关系和高阶特征。该模型首先应用自注意力机制学习项目之间的转换关系,然后利用软注意力机制融合会话图中的高阶特征,最后设计了一个简单的全连通层来更新会话的嵌入,充分利用了会话图中的结构信息,使模型更加关注会话图中的有用信息而抑制不重要的信息。(2)提出了一种新颖的位置感知图神经网络模型,它在图建模时既保留了项目的位置信息,也考虑了其他会话对当前用户兴趣的影响。该模型首先将会话序列构建成位置感知图,并且结合位置信息生成节点的嵌入,然后分步聚合项目的特征,最后学习用户的长期兴趣和短期偏好以进行推荐。(3)提出了一种轻量级的图神经网络模型,它包含一个简单的图聚合器和兴趣编码器,达到较好推荐精度的同时具有出色的性能优势。该模型首先将会话项目构建成图,然后直接使用邻居嵌入的均值更新项目的特征,最后结合位置嵌入学习用户的兴趣以进行预测。本文对会话推荐系统中的问题进行深入和细致的分析,在已有的会话推荐算法上提出改进的图神经网络模型,并且在经典的电子商务数据集上展开了广泛的实验,实验结果都始终如一的表明所提出模型的优越性。
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：代码驿站 ，原文地址：https://m.bishedaima.com/lunwen/48865.html
