基于会话的推荐系统研究
这是一篇关于推荐系统,会话,全局会话图,个性化,超图的论文, 主要内容为近年来,随着流式媒体的兴起,大量的用户访问数据呈现碎片化的特征,即用户会在较短时间内与应用进行较高频率的交互。传统的协同推荐系统由于依赖于用户-物品矩阵,无法有效的对用户的不同访问序列进行建模并生成差异化的推荐。因此基于会话的推荐系统被提出,其中用户在短时间内所访问的物品序列被定义为会话。本文主要研究会话推荐系统在不同应用场景下的问题。第一,匿名会话推荐系统,其定义为在用户身份信息未知的情况下,仅通过用户当前会话中的物品访问序列预测用户下一个可能访问的物品。已有的最新算法通过将会话建模为会话图与全局会话图并捕捉其中的转移信息。然而,本文发现已有算法无法高效的从全局会话图中提取到驱动会话生成的会话意图信息。为了解决这一问题,本文提出了能够有效表达会话意图信息的全局会话邻居集。为了改善模型从中捕捉到会话意图信息的能力,本文提出了一种有监督的对比学习方法。而后本文将这一有监督对比学习任务与推荐任务结合构造多任务学习框架RGAN-SBR(相关全局邻居强化的会话推荐系统)。本文通过三个真实数据集上的大量实验,验证了本文提出的RGAN-SBR模型相较已有模型的优越性。第二,个性化会话推荐系统,其取消了会话的匿名来源用户假设,能够被应用至更广泛的场景中。其定义为通过用户的历史会话信息以及用户当前会话中的物品访问序列预测用户下一个可能访问的物品。这一问题中存在有一个天然的“用户-会话-物品”层次集合结构,而已有方法无法较好的利用这一层次集合结构,导致产生了较多的信息损失。为此,本文提出了层次超图神经网络对这一结构进行整体性的建模。此外,本文还提出了有向图聚合模型对有向全局图中的结构信息进行学习,作为层次超图神经网络无法建模的会话内物品拓扑关系的补充。本文提出了 H3GNN(混合层次超图神经网络)模型来将两个模型生成的物品表示向量进行结合。本文通过三个真实数据集上的对比实验,验证了本文提出的H3GNN模型相较已有模型的优越性。总而言之,匿名会话推荐系统问题首次提出对会话类型数据建模,可被应用于无用户基础的流媒体程序以及网站匿名访问的推荐场景;而个性化会话推荐系统则是受到匿名会话推荐系统对于会话类型数据处理方法的启发以及匿名性前提的限制后被提出,其能够被广泛应用于拥有一定用户基础的流媒体程序中。这两个问题属于会话推荐系统面向不同类型以及在不同发展阶段的流媒体应用,对这两个问题进行研究能够为了解相关应用场景的整体性图景提供有效的帮助。
基于会话的图神经网络推荐算法研究
这是一篇关于会话,图神经网络,图转换器网络,知识图谱,推荐算法的论文, 主要内容为伴随着科学技术的发展,信息过载成为了数字化时代的一个难题。推荐系统(Recommendation System,RS)的出现巧妙地解决了这一难题,推荐系统帮助用户从种类繁多且与日俱增的商品中筛选出自己需求的产品。如今,推荐系统在用户的日常生活、服务和决策方面扮演着越来越重要的角色,已经被广泛应用于工作、商业、学习和娱乐等方面。推荐系统最直接的作用是能够在最短的时间内,匹配到用户需要的有效信息,帮助用户做出更行之有效的决策。推荐系统在电子商务方面的应用,为电子商务带来了巨大的经济效益。基于会话的推荐系统(Session-based Recommendation System,SBRS)根据用户短期内的动态偏好,预测用户接下来的交互序列,以此产生一个推荐列表。近年来,随着深度学习被应用于基于会话的推荐系统,明显的提升了推荐的精确性。本文通过对目前现有的基于会话的图神经网络推荐模型研究,把用户点击的项目作为节点,根据用户-项目交互的先后顺序构成交互序列,再构建成会话图,作为图神经网络的输入。这些现有模型构建会话图形式单一,也只考虑到用户的行为偏好,没有考虑到用户的语义知识偏好。基于这些现有模型,通过研究用户-项目之间的多行为交互关系和项目-项目之间的依赖关系,考虑把用户-项目的多行为关系和项目-项目之间的依赖关系融合在一起,同时还考虑到项目冷启动和数据稀疏性问题,提出了基于多行为和项目知识的图转换器网络会话推荐算法。主要工作内容分为两个方面:(1)针对会话序列构造成会话图,预处理形式单一问题,还有只根据用户的会话行为为其进行推荐,推荐过于片面,本文提出一种新的推荐算法基于语义知识和时间编码方案的图神经网络推荐算法(KT-GNN)。首先,引入停留时间到会话图中,对停留时间进行编码,解决构建会话图形式单一问题。同时,用户在项目上的停留时间反映了用户对此项目的喜爱程度,引入停留时间能提高推荐的效率。其次,利用Pair RE知识翻译模型对用户的语义知识进行处理,挖掘用户的语义偏好。通过实验证明,DT-GNN模型在Yoochoose和TFCD两个数据集上都具有优越性。(2)针对目前用户-项目多类型的会话推荐模型分析,发现这些模型只是单独的学习用户-项目多类型交互行为关系和项目-项目之间的依赖关系,也没有考虑项目冷启动和数据稀疏性问题。这些问题促使在本文中提出一种新的算法基于多行为和项目知识的图转换器网络会话推荐算法(MKGTN),将多类型的用户-项目交互行为和项目-项目依赖关系通过多层感知器(MLP)应用到会话推荐中。同时利用知识图谱Pair RE翻译模型学习项目知识嵌入,并将知识嵌入作为一种辅助任务来促进会话推荐(SR)的主要任务,同时将知识嵌入添加到多链路聚合(MLT)范式中,预测下一个交互的项目。在三个数据集上的评估表明,MKGTN优于最先进的多行为交互模型,证明了模型性能的优越性。
基于图神经网络的序列推荐
这是一篇关于序列推荐,图神经网络,多行为,会话的论文, 主要内容为与传统的协作过滤和基于内容的推荐不同,序列推荐通过对用户与项目之间顺序行为的建模,很好地捕捉到用户与项目之间的交互以及随时间变化的用户偏好。会话是对序列的更细粒度的划分,会话推荐可以更好地捕获用户的短期兴趣;图神经网络能对非欧式数据进行向量化表示,在推荐系统中,可以很好地捕获用户项目之间的关系,两者越来越受到业界广泛关注。在研读大量相关文献后,发现目前基于会话的序列推荐仍然存在以下问题:一是关注于下一项推荐的序列推荐通常只进行一次建模,不能很好地利用整个序列的信息;二是对同一用户有相同目的的多条序列,没有挖掘出序列间的关系和联系;三是大多数的序列推荐仅关注用户与项目间的单一行为,没有挖掘不同行为对于推荐的影响。对于上述问题,本文以电子商务平台为主要应用场景,重点对如下内容进行了研究:1、针对传统会话序列推荐仅使用一次建模难以同时兼顾整个序列的全面信息表达进而导致推荐准确率不高的问题,提出了一种基于会话的图神经网络序列推荐模型GNN-Bi GRU-TA。模型先将历史会话构建成有向会话图,用图神经网络学习会话图中节点信息表达,丰富节点嵌入;然后使用双向门控循环神经网络和注意力机制捕获会话序列中用户的全局和短期兴趣,最后生成推荐列表。Yoochoose、Diginetica两个公开数据集上的对比实验表明:模型提高了推荐准确率。2、为更好地利用同一用户的多条序列信息,同时也为了在模型中融入更多的信息表示,提出了一种基于用户多行为的图神经网络序列推荐模型MA-GNN-SR。通过图卷积神经网络对同一用户不同序列的项目进行聚合,挖掘不同序列间项目之间联系,丰富项目嵌入;而对于行为序列,即用户对商品进行不同操作的行为序列,则同样使用双向门控循环网络来学习,学习用户序列行为嵌入;最后,将学习得到的项目和用户行为嵌入进行拼接,通过软注意力机制生成用户偏好表达,进而进行预测推荐。京东JData公开数据集上的对比实验表明:模型性能指标有所提高。
基于时序信息的推荐系统研究
这是一篇关于时序信息,会话,自注意力机制,门控循环单元,注意力机制的论文, 主要内容为随着移动互联网的不断发展,如今越来越多的人可以很容易的在互联网中获取各种各样的服务如听音乐、网络社交、看电影等。但随着互联网上的信息越来越多,人们发现很难从这些大量的信息中选择自己感兴趣的内容,对信息的使用效率越来越低。推荐系统的出现很好的解决了这种信息超载的问题。推荐系统会利用用户的历史交互数据进行自动化的分析,为用户匹配符合自身喜好的内容,缓解了人们从大量信息中做出选择的烦恼。推荐系统的本质是通过用户、物品的属性信息和用户与物品之间的交互来对用户未来的行为进行预测。因此推荐系统必须具有识别用户偏好和预测用户对物品喜爱程度的能力,然后根据喜爱程度的高低来决定应该推荐的物品。根据实现这种能力方法的不同,我们可以将传统的推荐系统概括为以下的三种类别:基于内容匹配的推荐系统、基于协同过滤以及混合的推荐系统。这些方法通过对用户与用户,物品与物品之间的相似度计算,来理解用户偏好,预测用户的行为产生推荐,也取得了不错的推荐效果。但这些传统的推荐方法往往忽略了用户交互行为中的时序信息和因果联系,仅仅静态的构建用户的偏好和属性,随着推荐系统应用场景的多元化和复杂化,以上的这些方法显得有些“力不从心”。如今,随着大量先进的技术和算法被引入到推荐系统当中,挖掘用户行为序列中的时序信息,动态的构建用户的兴趣偏好已成为当前推荐系统中重要的研究方向。卷积神经网络、循环神经网络和注意力机制这些深度学习方法被广泛的应用到用户时序信息的建模当中,通过捕捉用户的长期兴趣和短期兴趣产生推荐,大大提高了推荐效果。然而,现有方法仅采用用户近期的行为来代表用户的短期兴趣,忽略了用户长期兴趣演化过程中也存在短期行为相似的特点,没能很好的捕捉用户的长短期偏好。为此,本文提出了一种新的基于时序信息的推荐系统,共采用两层结构:第一层,短期兴趣抽取层,将用户行为序列划分为不同的会话,利用自注意力机制来抽取用户会话中的短期兴趣特征,形成用户的兴趣演化序列;第二层,长期兴趣演化层,利用门控循环单元和注意力机制计算不同会话下用户的短期兴趣特征在用户长期兴趣演化过程中的贡献程度,输出用户当前兴趣特征表示。最后,采用隐语义模型的方法利用用户兴趣特征向量和商品向量相乘得出用户的兴趣得分,为用户推荐下一个商品。本文采用天猫平台真实的交互数据集进行实验,在Recall@20和MRR(Mean Reciprocal Rank)的评估指标上,本模型相比于表现第二好的模型分别提升了16.2%和11.6%,与其他现有的方法相比推荐效果更好。
基于网络日志的用户行为分析与研究
这是一篇关于Web日志,用户行为,会话,聚类算法,推荐模型,用户画像的论文, 主要内容为随着互联网的飞速发展,网络用户规模激增,其中网购用户占比不断增大,伴随着网络用户的行为也越来越复杂。尽管目前已有很多学者对Web挖掘技术和用户行为分析等方向展开了深入研究,但是仍然存在一些问题,特别是在电商垂直应用领域,会话识别作为用户分析的基础,目前仍采用的是静态、粗粒度、低准确率的识别方法,为后续分析造成较大的原始误差。此外,由于忽略对用户购买行为的考虑,各电商平台的推荐系统存在产生大量重复、不合时宜的物品推荐而造成用户体验不佳的问题。以上这些问题亟待解决,因此本文选取电商垂直领域,重点分析和研究电商用户行为,构建基于网络日志的用户行为分析系统。本文主要研究内容包括以下几点:第一、在深入理解Web日志的数据特征、表现形式的基础上,深入调研并理解互联网用户行为,总结出了互联网用户行为所具有的隐蔽性强、主动性强、复杂多样等主要特征,并总结出Web日志挖掘在电子商务、社交媒体、搜索引擎、游戏运营、02O、P2P六大行业领域的具体应用方向。第二、基于上述的调研结果,针对电商网站的具体应用场景,提出了一种基于时间阈值和站点首页识别的混合会话识别算法,提高了会话识别算法的灵活性和识别准确率。第三、以机器学习算法为基础,结合Kmeans和GMM两种聚类算法,实现了一种两阶段聚类算法,实验结果表明,该算法在聚类结果准确率上接近于GMM的结果,但算法用时较GMM缩短了 15%-18%,实现了上述两种算法的优势互补。第四,深入研究了协同过滤和基于内容的推荐算法,对比两者的优缺点,在分析淘宝用户行为的基础上,提出了一种引入商品购买周期的推荐系统模型,从最终得到的淘宝商品推荐备选集中可以直观看出该模型大大减少了重复推荐,同时实验结果也显示,该推荐模型的推荐结果准确率较目前的ItemCF推荐算法提高了10%-15%。基于上述研究内容和成果,本文构建并实现了基于网络日志的用户行为分析系统,该系统能够根据用户需求对日志记录进行标签标注,进而实现多维度统计分析和用户挖掘,输出用户画像,能够帮助电商商家、内容提供商等了解自己的用户,通过精准营销、精准推荐等方式获得更好的商业价值。
基于图神经网络和注意力的推荐算法研究
这是一篇关于推荐算法,图神经网络,注意力机制,会话的论文, 主要内容为随着互联网和移动终端的普及与发展,网络信息爆炸式增长,如何精准、快速地帮助用户获取到感兴趣的信息,成为推荐系统的主要研究目标。基于不同的用户、项目嵌入表示学习方式,本文提出了两种基于图神经网络的推荐算法:基于图神经网络和注意力机制的推荐算法(GCFA)和融入会话的图神经网络推荐算法(ISGNN)二者均使用图神经网络去学习嵌入表示。GCFA提出了一种基于图神经网络的评分预测推荐模型。首先,本文提供了一种方法来联合捕获用户-项目图中的交互行为和观点。其次,GCFA考虑了用户-项目交互行为的不同强度,这表明各种交互行为对用户偏好(或物品特性)的贡献是不同的,因此使用注意力机制来实现这一目标。接下来,利用嵌入传播层对协同信号进行编码。最后经公开数据集Ciao和Epinions验证,GCFA取得了优于其他几种推荐算法的效果。ISGNN是在基于图神经网络的推荐算法中,引入会话的思想。首先,针对用户-项目二分图,使用单模投影得到压缩后的用户-用户关系图,通过比较该用户的相似用户得到该用户的粗粒度级表示,也就是用户层面的潜在意图。将用户会话的长期兴趣和短期兴趣进行结合,得到会话的细粒度嵌入表示。再将用户粗粒度潜在意图与会话细粒度表示结合,得到更精准的用户嵌入表示,从而更好地提供个性化推荐。经公开数据集验证,该算法较其他几种经典推荐算法均有较好的推荐效果。本文首先介绍了选题的背景和意义,分析了现阶段常用的推荐算法。接着详细阐述了两种基于图神经网络的推荐算法的原理和建模过程,并在公开数据集上验证了本文提出的算法的有效性。最后总结了作者在论文期间的工作,并对下一步研究方向进行了展望。
基于时序信息的推荐系统研究
这是一篇关于时序信息,会话,自注意力机制,门控循环单元,注意力机制的论文, 主要内容为随着移动互联网的不断发展,如今越来越多的人可以很容易的在互联网中获取各种各样的服务如听音乐、网络社交、看电影等。但随着互联网上的信息越来越多,人们发现很难从这些大量的信息中选择自己感兴趣的内容,对信息的使用效率越来越低。推荐系统的出现很好的解决了这种信息超载的问题。推荐系统会利用用户的历史交互数据进行自动化的分析,为用户匹配符合自身喜好的内容,缓解了人们从大量信息中做出选择的烦恼。推荐系统的本质是通过用户、物品的属性信息和用户与物品之间的交互来对用户未来的行为进行预测。因此推荐系统必须具有识别用户偏好和预测用户对物品喜爱程度的能力,然后根据喜爱程度的高低来决定应该推荐的物品。根据实现这种能力方法的不同,我们可以将传统的推荐系统概括为以下的三种类别:基于内容匹配的推荐系统、基于协同过滤以及混合的推荐系统。这些方法通过对用户与用户,物品与物品之间的相似度计算,来理解用户偏好,预测用户的行为产生推荐,也取得了不错的推荐效果。但这些传统的推荐方法往往忽略了用户交互行为中的时序信息和因果联系,仅仅静态的构建用户的偏好和属性,随着推荐系统应用场景的多元化和复杂化,以上的这些方法显得有些“力不从心”。如今,随着大量先进的技术和算法被引入到推荐系统当中,挖掘用户行为序列中的时序信息,动态的构建用户的兴趣偏好已成为当前推荐系统中重要的研究方向。卷积神经网络、循环神经网络和注意力机制这些深度学习方法被广泛的应用到用户时序信息的建模当中,通过捕捉用户的长期兴趣和短期兴趣产生推荐,大大提高了推荐效果。然而,现有方法仅采用用户近期的行为来代表用户的短期兴趣,忽略了用户长期兴趣演化过程中也存在短期行为相似的特点,没能很好的捕捉用户的长短期偏好。为此,本文提出了一种新的基于时序信息的推荐系统,共采用两层结构:第一层,短期兴趣抽取层,将用户行为序列划分为不同的会话,利用自注意力机制来抽取用户会话中的短期兴趣特征,形成用户的兴趣演化序列;第二层,长期兴趣演化层,利用门控循环单元和注意力机制计算不同会话下用户的短期兴趣特征在用户长期兴趣演化过程中的贡献程度,输出用户当前兴趣特征表示。最后,采用隐语义模型的方法利用用户兴趣特征向量和商品向量相乘得出用户的兴趣得分,为用户推荐下一个商品。本文采用天猫平台真实的交互数据集进行实验,在Recall@20和MRR(Mean Reciprocal Rank)的评估指标上,本模型相比于表现第二好的模型分别提升了16.2%和11.6%,与其他现有的方法相比推荐效果更好。
基于时序信息的推荐系统研究
这是一篇关于时序信息,会话,自注意力机制,门控循环单元,注意力机制的论文, 主要内容为随着移动互联网的不断发展,如今越来越多的人可以很容易的在互联网中获取各种各样的服务如听音乐、网络社交、看电影等。但随着互联网上的信息越来越多,人们发现很难从这些大量的信息中选择自己感兴趣的内容,对信息的使用效率越来越低。推荐系统的出现很好的解决了这种信息超载的问题。推荐系统会利用用户的历史交互数据进行自动化的分析,为用户匹配符合自身喜好的内容,缓解了人们从大量信息中做出选择的烦恼。推荐系统的本质是通过用户、物品的属性信息和用户与物品之间的交互来对用户未来的行为进行预测。因此推荐系统必须具有识别用户偏好和预测用户对物品喜爱程度的能力,然后根据喜爱程度的高低来决定应该推荐的物品。根据实现这种能力方法的不同,我们可以将传统的推荐系统概括为以下的三种类别:基于内容匹配的推荐系统、基于协同过滤以及混合的推荐系统。这些方法通过对用户与用户,物品与物品之间的相似度计算,来理解用户偏好,预测用户的行为产生推荐,也取得了不错的推荐效果。但这些传统的推荐方法往往忽略了用户交互行为中的时序信息和因果联系,仅仅静态的构建用户的偏好和属性,随着推荐系统应用场景的多元化和复杂化,以上的这些方法显得有些“力不从心”。如今,随着大量先进的技术和算法被引入到推荐系统当中,挖掘用户行为序列中的时序信息,动态的构建用户的兴趣偏好已成为当前推荐系统中重要的研究方向。卷积神经网络、循环神经网络和注意力机制这些深度学习方法被广泛的应用到用户时序信息的建模当中,通过捕捉用户的长期兴趣和短期兴趣产生推荐,大大提高了推荐效果。然而,现有方法仅采用用户近期的行为来代表用户的短期兴趣,忽略了用户长期兴趣演化过程中也存在短期行为相似的特点,没能很好的捕捉用户的长短期偏好。为此,本文提出了一种新的基于时序信息的推荐系统,共采用两层结构:第一层,短期兴趣抽取层,将用户行为序列划分为不同的会话,利用自注意力机制来抽取用户会话中的短期兴趣特征,形成用户的兴趣演化序列;第二层,长期兴趣演化层,利用门控循环单元和注意力机制计算不同会话下用户的短期兴趣特征在用户长期兴趣演化过程中的贡献程度,输出用户当前兴趣特征表示。最后,采用隐语义模型的方法利用用户兴趣特征向量和商品向量相乘得出用户的兴趣得分,为用户推荐下一个商品。本文采用天猫平台真实的交互数据集进行实验,在Recall@20和MRR(Mean Reciprocal Rank)的评估指标上,本模型相比于表现第二好的模型分别提升了16.2%和11.6%,与其他现有的方法相比推荐效果更好。
基于会话的推荐系统研究
这是一篇关于推荐系统,会话,全局会话图,个性化,超图的论文, 主要内容为近年来,随着流式媒体的兴起,大量的用户访问数据呈现碎片化的特征,即用户会在较短时间内与应用进行较高频率的交互。传统的协同推荐系统由于依赖于用户-物品矩阵,无法有效的对用户的不同访问序列进行建模并生成差异化的推荐。因此基于会话的推荐系统被提出,其中用户在短时间内所访问的物品序列被定义为会话。本文主要研究会话推荐系统在不同应用场景下的问题。第一,匿名会话推荐系统,其定义为在用户身份信息未知的情况下,仅通过用户当前会话中的物品访问序列预测用户下一个可能访问的物品。已有的最新算法通过将会话建模为会话图与全局会话图并捕捉其中的转移信息。然而,本文发现已有算法无法高效的从全局会话图中提取到驱动会话生成的会话意图信息。为了解决这一问题,本文提出了能够有效表达会话意图信息的全局会话邻居集。为了改善模型从中捕捉到会话意图信息的能力,本文提出了一种有监督的对比学习方法。而后本文将这一有监督对比学习任务与推荐任务结合构造多任务学习框架RGAN-SBR(相关全局邻居强化的会话推荐系统)。本文通过三个真实数据集上的大量实验,验证了本文提出的RGAN-SBR模型相较已有模型的优越性。第二,个性化会话推荐系统,其取消了会话的匿名来源用户假设,能够被应用至更广泛的场景中。其定义为通过用户的历史会话信息以及用户当前会话中的物品访问序列预测用户下一个可能访问的物品。这一问题中存在有一个天然的“用户-会话-物品”层次集合结构,而已有方法无法较好的利用这一层次集合结构,导致产生了较多的信息损失。为此,本文提出了层次超图神经网络对这一结构进行整体性的建模。此外,本文还提出了有向图聚合模型对有向全局图中的结构信息进行学习,作为层次超图神经网络无法建模的会话内物品拓扑关系的补充。本文提出了 H3GNN(混合层次超图神经网络)模型来将两个模型生成的物品表示向量进行结合。本文通过三个真实数据集上的对比实验,验证了本文提出的H3GNN模型相较已有模型的优越性。总而言之,匿名会话推荐系统问题首次提出对会话类型数据建模,可被应用于无用户基础的流媒体程序以及网站匿名访问的推荐场景;而个性化会话推荐系统则是受到匿名会话推荐系统对于会话类型数据处理方法的启发以及匿名性前提的限制后被提出,其能够被广泛应用于拥有一定用户基础的流媒体程序中。这两个问题属于会话推荐系统面向不同类型以及在不同发展阶段的流媒体应用,对这两个问题进行研究能够为了解相关应用场景的整体性图景提供有效的帮助。
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:毕业设计货栈 ,原文地址:https://m.bishedaima.com/lunwen/49221.html