基于商品流行度的序列化推荐方法
这是一篇关于商品流行度,序列化推荐,图神经网络,流行度偏差的论文, 主要内容为个性化推荐是一种广泛应用的技术,但流行度偏差已成为该系统的一个重要问题。为了解决这个问题,本文提出了一个方法,即通过动态的商品流行度作为排序依据来推荐长尾分布以优化商品序列化推荐结果,从而缓解流行度偏差。本文的研究分为两个部分,即流行度的表征和预测以及融合商品流行度信息的序列化推荐。为了更准确地提取商品的动态流行度信息,本文提出了一种新的图结构,命名为“用户商品流量图”。并设计了新的采样方法和聚合函数,以提取用户商品之间较复杂的流量传递信息。在提取向量表征后,本文利用时序预测模型预测商品流行度的变动趋势。通过实验分析,相比于使用GAT自动学习权重的方法,本文基于Graph SAGE设计的新的采样和聚合方法在节点分类任务上的性能更优。充分证明了用户商品流量图的价值以及采样和聚合函数设计的合理性。为了让序列化推荐更好的适应用户商品流量传递的实时变化,本文提出新的SASRec-P模型,区别于原基准模型,通过将数据集划分为近期和长期两个部分分别提取商品的流行度信息和用户的个性化信息,使序列化推荐模型在融合动态的流行度信息同时具备个性化。最后本文基于序列化推荐研究兼顾推荐结果的多样性和相关性方法,用一种基于流行度的Re-ranking方法重新排序商品。实验表明,模型能在不显着降低排名性能的情况下提高长尾商品的覆盖率,以此缓解流行度偏差等问题,从而得到更准确的推荐结果。
基于知识图谱的推荐模型研究
这是一篇关于推荐模型,知识图谱,图神经网络,流行度偏差的论文, 主要内容为推荐系统拥有在海量信息中为用户筛选信息的能力,近年来受到了工业界和学术界广泛并且持续的关注和研究。通过在推荐模型中引入辅助信息,可以有效提高模型的推荐精度,知识图谱作为一种较为全面的辅助信息近年来被广泛应用于推荐模型之中。然而目前基于知识图谱的推荐模型还有一些方面有待进一步完善。一方面,现有模型在基于知识图谱的用户意图推测方面没有利用到“实体”信息,并且仅使用加权求和的计算方式导致不同用户间意图向量区分度不足;另一方面,目前基于知识图谱的推荐模型没有充分考虑推荐场景下的流行度偏差问题,也没有充分考虑物品流行度对用户行为的影响。针对以上问题,本文开展了深入的研究,提出了两种基于知识图谱的推荐模型。本文的主要工作如下:1.深入调研了基于知识图谱的推荐模型、图神经网络、流行度偏差问题等方面的相关文献,分析了现有模型的优缺点以及可改进之处。2.提出了一种基于知识图谱的实体驱动用户意图推测的推荐模型EKIN。针对现有模型在推测用户意图中仅使用了知识图谱中的“关系”信息,而忽视了“实体”信息的问题,以及不同用户间意图向量区分度不足的问题,本文提出了使用图的结构为用户意图进行建模,以知识图谱中的“实体”为核心构建代表用户意图的图EUIG。EUIG中不仅使用了“实体”和“关系”信息,而且还引入了相应的统计量信息。本文提出了一种基于频率的注意力计算方法在EUIG上进行学习,结合了向量信息和统计量信息。EKIN使用了图神经网络在知识图谱中进行学习,基于为每位用户构建的意图进行个性化推荐,从而提升了推荐的精度。3.提出了一种基于知识图谱的门控去除流行度偏差的推荐模型GABKIN。针对现有模型没有充分考虑推荐场景下的流行度偏差问题,以及没有考虑物品的流行度对用户行为影响的问题,本文提出的GABKIN模型在EKIN模型的基础上,对模型整体结构进行了进一步改进,构建因果图解释用户的交互行为,通过因果推断将用户的交互行为分解为基于偏好的交互和基于物品流行度的交互,并设计门控机制区分用户偏好和物品流行度对用户行为的影响。GABKIN一方面缓解了流行度偏差,另一方面提升了推荐模型的精度。4.本文针对提出的两种推荐模型,在多个被广泛使用的现实世界数据集上进行了实验和分析,实验结果证明了本文提出的两种模型提高了推荐精度。
基于知识图谱的推荐模型研究
这是一篇关于推荐模型,知识图谱,图神经网络,流行度偏差的论文, 主要内容为推荐系统拥有在海量信息中为用户筛选信息的能力,近年来受到了工业界和学术界广泛并且持续的关注和研究。通过在推荐模型中引入辅助信息,可以有效提高模型的推荐精度,知识图谱作为一种较为全面的辅助信息近年来被广泛应用于推荐模型之中。然而目前基于知识图谱的推荐模型还有一些方面有待进一步完善。一方面,现有模型在基于知识图谱的用户意图推测方面没有利用到“实体”信息,并且仅使用加权求和的计算方式导致不同用户间意图向量区分度不足;另一方面,目前基于知识图谱的推荐模型没有充分考虑推荐场景下的流行度偏差问题,也没有充分考虑物品流行度对用户行为的影响。针对以上问题,本文开展了深入的研究,提出了两种基于知识图谱的推荐模型。本文的主要工作如下:1.深入调研了基于知识图谱的推荐模型、图神经网络、流行度偏差问题等方面的相关文献,分析了现有模型的优缺点以及可改进之处。2.提出了一种基于知识图谱的实体驱动用户意图推测的推荐模型EKIN。针对现有模型在推测用户意图中仅使用了知识图谱中的“关系”信息,而忽视了“实体”信息的问题,以及不同用户间意图向量区分度不足的问题,本文提出了使用图的结构为用户意图进行建模,以知识图谱中的“实体”为核心构建代表用户意图的图EUIG。EUIG中不仅使用了“实体”和“关系”信息,而且还引入了相应的统计量信息。本文提出了一种基于频率的注意力计算方法在EUIG上进行学习,结合了向量信息和统计量信息。EKIN使用了图神经网络在知识图谱中进行学习,基于为每位用户构建的意图进行个性化推荐,从而提升了推荐的精度。3.提出了一种基于知识图谱的门控去除流行度偏差的推荐模型GABKIN。针对现有模型没有充分考虑推荐场景下的流行度偏差问题,以及没有考虑物品的流行度对用户行为影响的问题,本文提出的GABKIN模型在EKIN模型的基础上,对模型整体结构进行了进一步改进,构建因果图解释用户的交互行为,通过因果推断将用户的交互行为分解为基于偏好的交互和基于物品流行度的交互,并设计门控机制区分用户偏好和物品流行度对用户行为的影响。GABKIN一方面缓解了流行度偏差,另一方面提升了推荐模型的精度。4.本文针对提出的两种推荐模型,在多个被广泛使用的现实世界数据集上进行了实验和分析,实验结果证明了本文提出的两种模型提高了推荐精度。
考虑评分与流行度偏差的用户个性化推荐研究
这是一篇关于流行度偏差,评分偏差,矩阵分解,因果效应,模糊逻辑的论文, 主要内容为在推荐系统研究领域,大多数学者致力于优化推荐模型以期提升推荐精度。近年来,在满足推荐结果不断精准匹配用户需求的同时,缓解推荐系统中的偏差问题,提高用户个性化体验包括新奇度、惊喜度等也逐渐进入学者的研究视野。但由于推荐系统中存在用户自身评价行为所导致的评分偏差与由推荐模型产生的流行度偏差,致使推荐结果趋于模糊或是集中于少数高流行度商品,进而影响推荐结果,降低用户个性化体验。基于此情况,本文以公开数据集为研究对象,深入研究了个性化推荐中商品无偏推荐的理论和方法,针对评分偏差和流行度偏差问题提出了一系列解决方案,在提升推荐精度与为用户提供更好的个性化体验服务上取得了平衡。本文主要内容包括以下几点:首先,针对用户对商品的模糊评价导致的评分偏差,模型推荐准确性低的问题,提出了基于单值中智集的协同过滤推荐模型。在用户-商品评分矩阵的基础上,引入单值中智集设计评分隶属度转换公式,融合极端评价与杰卡德相关系数得到基于单值中智集的协同过滤推荐模型,有效地降低了模糊评价的影响,降低评分偏差并提升推荐精度。其次,针对基于矩阵分解的协同过滤推荐模型产生并放大数据中流行度偏差的问题,提出了基于用户偏好与评分补偿的去偏模型。从理论上引入因果推断证明了所提出的去偏模型能够有效地提高推荐模型的推荐效果。从实践上采用实验结果表明,该模型能有效降低流行度偏差,并提升推荐效用。最后,为降低评分偏差与流行度偏差给推荐系统带来的影响,使推荐模型同时在推荐效用与去偏效果上达到平衡,提出混合评分偏差与流行度偏差的去偏模型。引入模糊逻辑,利用k次抛物型模糊分布融合用户年龄对评分进行重新分布降低评分偏差。利用项目连续递增流量与流行度对损失函数进行优化,降低评分偏差与流行度偏差。混合用户情绪与项目人气构造用户心理倾向,提升推荐效用。为验证模型性能在真实数据集上进行实验,结果表明本文提出的模型不仅有效降低了推荐偏差,并且保证了推荐效用。
面向推荐系统的无偏蒸馏方法研究
这是一篇关于推荐系统,知识蒸馏,流行度偏差的论文, 主要内容为推荐系统已经成为向用户提供个性化推荐的重要工具,特别是在大数据时代。然而,随着用户和物品数量的增加,在推荐用户感兴趣的物品时,保持准确性和效率之间的平衡变得越来越困难。知识蒸馏是一种解决这个问题的方法,它可以将大型推荐模型压缩成较小的模型,同时保持其准确性。尽管知识蒸馏在实时推荐系统领域取得了重大进展,但本文发现现有的方法仍存在流行度偏差放大的问题,使得用户体验受到严重恶化。为了解决这个问题,本文提出了一种逐步探索策略,以开发针对推荐系统的无偏知识蒸馏方法。首先,本文探讨了使用无偏老师模型进行无偏蒸馏的研究。本文确定蒸馏过程中放大偏差的主要原因是由于有偏的老师模型。为研究无偏老师对蒸馏的影响,本研究采用两种去除偏差策略消除老师模型的偏差,并在两种蒸馏策略上进行了广泛的实验。结果表明,这种方法可以在一定程度上缓解偏差放大,但仍存在去偏效果不显著和难以调试的问题。其次,本文探讨了使用逆倾向得分来实现无偏蒸馏的研究。本研究的目标是实现独立于模型结构的无偏蒸馏策略,无需干预老师模型的训练。本文通过研究现有蒸馏方法中采样、加权和函数设计三个步骤,分析偏差放大的原因,并通过设计逆倾向得分消除相应的偏差,实现无偏蒸馏。在实验中,本研究所提出的方法在较低的训练成本下实现了与无偏老师方法相当的性能。最后,本文详细介绍采用因果干预实现无偏蒸馏的新蒸馏方法。本文首先将物品根据流行度划分为多组,然后在每个组内提取排名知识来监督学生学习。通过构建因果图来分析蒸馏过程中的因果关系,利用因果推断工具验证了该方法的可行性,并通过实验证明了其有效性。总之,本文探讨了推荐系统的无偏知识蒸馏策略。现有的知识蒸馏方法会放大对热门物品的偏差,从而影响对不受欢迎物品的推荐准确性。本文提出的方法旨在解决这些问题,实现无偏知识蒸馏,从而提高用户体验。
基于知识图谱的推荐模型研究
这是一篇关于推荐模型,知识图谱,图神经网络,流行度偏差的论文, 主要内容为推荐系统拥有在海量信息中为用户筛选信息的能力,近年来受到了工业界和学术界广泛并且持续的关注和研究。通过在推荐模型中引入辅助信息,可以有效提高模型的推荐精度,知识图谱作为一种较为全面的辅助信息近年来被广泛应用于推荐模型之中。然而目前基于知识图谱的推荐模型还有一些方面有待进一步完善。一方面,现有模型在基于知识图谱的用户意图推测方面没有利用到“实体”信息,并且仅使用加权求和的计算方式导致不同用户间意图向量区分度不足;另一方面,目前基于知识图谱的推荐模型没有充分考虑推荐场景下的流行度偏差问题,也没有充分考虑物品流行度对用户行为的影响。针对以上问题,本文开展了深入的研究,提出了两种基于知识图谱的推荐模型。本文的主要工作如下:1.深入调研了基于知识图谱的推荐模型、图神经网络、流行度偏差问题等方面的相关文献,分析了现有模型的优缺点以及可改进之处。2.提出了一种基于知识图谱的实体驱动用户意图推测的推荐模型EKIN。针对现有模型在推测用户意图中仅使用了知识图谱中的“关系”信息,而忽视了“实体”信息的问题,以及不同用户间意图向量区分度不足的问题,本文提出了使用图的结构为用户意图进行建模,以知识图谱中的“实体”为核心构建代表用户意图的图EUIG。EUIG中不仅使用了“实体”和“关系”信息,而且还引入了相应的统计量信息。本文提出了一种基于频率的注意力计算方法在EUIG上进行学习,结合了向量信息和统计量信息。EKIN使用了图神经网络在知识图谱中进行学习,基于为每位用户构建的意图进行个性化推荐,从而提升了推荐的精度。3.提出了一种基于知识图谱的门控去除流行度偏差的推荐模型GABKIN。针对现有模型没有充分考虑推荐场景下的流行度偏差问题,以及没有考虑物品的流行度对用户行为影响的问题,本文提出的GABKIN模型在EKIN模型的基础上,对模型整体结构进行了进一步改进,构建因果图解释用户的交互行为,通过因果推断将用户的交互行为分解为基于偏好的交互和基于物品流行度的交互,并设计门控机制区分用户偏好和物品流行度对用户行为的影响。GABKIN一方面缓解了流行度偏差,另一方面提升了推荐模型的精度。4.本文针对提出的两种推荐模型,在多个被广泛使用的现实世界数据集上进行了实验和分析,实验结果证明了本文提出的两种模型提高了推荐精度。
基于注意力门控图神经网络的会话推荐系统研究与实现
这是一篇关于会话推荐,图神经网络,注意力机制,长短期兴趣,流行度偏差的论文, 主要内容为在信息过载的当前互联网环境下,用户获取有价值信息的信息成本越来越高,为了解决这一问题,推荐系统(Recommendation System,RS)应运而生。推荐系统从用户项目交互信息或静态特征中推断用户偏好,并进一步推荐用户可能感兴趣的项目,以帮助用户做出更有效的决策,有很大的应用价值。而在某些场景中,用户信息是匿名的,推荐系统只能根据用户点击行为序列来学习用户的兴趣表示,该类情况被归为推荐系统的一个子类型,即基于会话的推荐(Session-based Recommendation,SBR),它认为用户的偏好是随着时间不断改变的,通过用户实时交互会话序列来预测推荐列表。近年来,由于会话推荐系统具有较高的实际应用价值,受到了学术界和工业界的关注,并提出了许多有效的解决方案,但现有的方法也存在着许多问题。现有方法存在匿名情况下冷启动与数据稀疏的问题,在用户匿名的情况下,关于用户的偏好信息只有当前点击行为序列;现有方法存在流行度偏差导致的长尾效应问题,不受欢迎的项目难于被推荐;基于图神经网络的方法存在生成会话序列表示时的信息丢失问题和无效的远程依赖关系捕获问题,由于从会话序列到向量表示的有损编码,一些有关项目转换关系的序列信息被忽略,由于迭代的层数有限,图神经网络无法捕获会话中的某些远程依赖项信息。为了解决上述问题,本文的主要工作如下:(一)提出一种基于注意力门控图神经网络的会话推荐模型。该模型通过门控图神经网络捕获用户点击行为序列中复杂的项目转换关系,获取序列的局部依赖,缓解信息丢失与数据稀疏的问题,并在模型输入前,模型训练中,模型输出后分别正则化项目嵌入和会话表示,缓解长尾中的项目难以推荐问题,最后,利用注意力机制为用户互动的项目分配注意力权重,捕获会话中远程项目对推荐结果的影响,从会话中获取用户的动态兴趣表示,构建融合上下文信息的基于门控图神经网络和注意力机制的会话推荐模型。(二)通过实验来验证本文模型的有效性。本文在两个公开的电商数据集上进行实验验证,通过与基线模型的对比试验,验证了该模型有效的提高了推荐性能,通过消融实验证明了模型中注意力模块的有效性,通过不同会话长度对模型性能影响实验验证了模型捕获长期兴趣的必要性。(三)设计并实现了基于本文提出模型的会话型商品推荐系统。在A-GGNN模型的基础上,本文使用Python语言和Django框架设计并实现了会话型商品推荐系统,使用的数据库为My SQL和Redis数据库,该系统根据用户在连续时间段内的点击行为序列,为用户提供个性化的商品推荐功能。
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/49226.html
