时间间隔敏感和多行为类型的序列化推荐算法研究
这是一篇关于序列化推荐,自注意力网络,时间间隔感知,多类型行为,图神经网络,TransR的论文, 主要内容为序列化推荐旨在通过建模用户的历史交互数据(如点击、购买和签到)之间的顺序依赖关系,来捕获用户的动态兴趣(或需求)并为其推荐在未来最可能会交互的物品。近几年,序列化推荐已经成为个性化推荐系统研究中的一个热点问题。尽管研究者已经提出了很多序列化推荐工作,但现有的序列化推荐工作仍然面临着以下两个挑战:第一个挑战,现有的序列化推荐工作未能同时考虑用户偏好的全局稳定性和局部波动性,使用基于标量的加权模式来融合用户的长期偏好和短期偏好,忽略了相邻交互之间的时间间隔信息对两种偏好融合的影响,这使得用户偏好嵌入的学习过于粗糙,可能会降低学习用户偏好的准确性。这是因为用户具有会随着时间缓慢变化的长期偏好和具有波动性且可能与长期偏好完全不一样的短期偏好,并且这两种偏好对用户当前偏好的影响是动态的、个性化的和细粒度化的。第二个挑战,现有的序列化推荐工作没有充分利用行为的类型信息来帮助学习用户和物品的个性化偏好,忽略了用户多类型交互的顺序依赖关系,导致了模型的推荐性能提升受限。这是因为在真实的用户交互过程中,不同类型的行为暗示了用户关注(或物品体现)的方面(如品牌、价格等)具有差异性。并且不同类型的交互之间存在一种顺序依赖关系,这种顺序关系的存在意味着不同类型的用户偏好预测是应该有序列性的和关联性的,而不是各自独立的。为了解决第一个挑战,本文提出了一个基于层次自注意力网络的时间间隔敏感的序列化推荐模型(Hierarchical self-Attention network for Time lag aware Sequential Recommendation,HATSRec)。该模型结合了一个层次用户偏好学习模型和对时间间隔敏感的长、短期偏好的细粒度融合模型。具体地,HATSRec采用了一个层次自注意力神经网络学习用户具有全局稳定性的长期偏好和局部波动性的短期偏好,然后通过在神经时间门模块中利用时间间隔信息来自适应地、细粒度地在方面层次上权衡用户的长期偏好和短期偏好对用户当前偏好的学习的贡献。本文通过在真实数据集上的大量实验和实例分析,验证了HATSRec模型的有效性。为了解决第二个挑战,本文提出了一个(Sequential Recommendation based on the Collaboration of Multi-Type Behaviors,MTBCSRec)。该模型从用户和物品两个角度同时学习了类型不变的(Type-invariant)偏好嵌入和类型特定的(Type-specific)偏好嵌入。模型利用了行为的类型信息帮助学习更健壮的用户和物品的偏好嵌入,学到的用户和物品偏好嵌入既有多类型交互行为共享的本质特征,又有类型特定的且区别于其他类型的独特偏好特征。模型还通过多头自注意力机制建模用户一个序列中不同类型的交互的顺序依赖关系,并个性化地学习用户多类型的动态偏好,进行多类型的序列化推荐。本文通过在真实数据集上的大量实验和实例分析,验证了MTBCSRec模型的有效性。
时间感知的自注意力网络序列化推荐
这是一篇关于序列化推荐,自注意力网络,物品嵌入,时间信息,位置编码的论文, 主要内容为随着互联网与社交媒体的飞速发展,人们的信息需求日益增长。然而,随着海量信息的持续输出,信息过载问题也随之而来。面对这一亟需解决的问题,推荐系统便应运而生。其中序列化推荐系统的出现,为推荐系统的发展开辟了新的方向和可能性。现有的很多基于自注意力机制的序列化推荐算法主要考虑对用户的行为序列进行建模,而往往忽略了时间因素对用户行为的影响。此外,自注意力机制中传统的绝对位置编码方式将位置嵌入信息与商品嵌入信息相加作为网络的输入是不合理的,这会导致模型训练中产生噪声相关性和混合相关性,干扰了模型捕获序列中复杂关系的能力。本文针对上述问题进行了深入分析研究。首先,提出了一种融合时间信息的序列化推荐模型,将用户历史交互商品投影为常数个潜在兴趣,缓解了过度参数化和模型复杂度过高的问题。另外,通过提取隐含于用户-商品交互序列中的时间信息并将其注入自注意力网络,丰富上下文信息,增强模型捕获复杂序列模式的能力。通过与一组优秀的序列化推荐模型进行对比,验证了其在多个真实世界数据集上都具备良好的推荐性能。其次,将位置嵌入与商品嵌入分离,独立设计位置编码。考虑到位置信息与时间信息具有较强的相关性,将时间信息与位置信息融合,并结合自注意力机制计算位置信息权重,提出基于自注意力网络的时间感知序列化推荐模型,并与一组基准模型进行比较。结果表明,模型推荐性能显著提高。最后,基于SNTSR模型设计并实现了一个简易的电影推荐系统,可以向用户推荐其可能喜欢的电影,进一步验证了推荐模型的有效性和实用性。
基于变分推断的序列推荐方法研究
这是一篇关于变分推断,注意力网络,自注意力网络,序列推荐的论文, 主要内容为在当前信息爆炸的时代,网络上产生了大量的新闻、商品、音乐和视频等内容。推荐系统能够从海量数据中挖掘有用的信息,在我们的日常生活中起着越来越重要的作用。序列推荐作为推荐系统的一个重要分支,试图捕捉用户的动态偏好,已经吸引了学术界和工业界众多人的目光,具有举足轻重的地位。近年来,变分推断思想在各个研究领域取得了巨大的进展,在推荐领域同样显示了良好的作用。由于其贝叶斯性质,我们可以学习到用户和项目的复杂非线性分布表示,同时能够很好的捕获用户偏好表示中的不确定性。鉴于此,本文主要研究如何依据变分推断思想来增强序列推荐效果,使用户获得更优质的项目。本文的主要工作如下:(1)梳理了当前推荐算法的研究背景和意义,阐述了研究现状,接下来介绍了序列推荐相关概念及文章用到的技术。(2)为了增强对用户长短期行为的建模,本文提出了分层变分推断模型,该模型首先通过长期变分推断层获得注意力向量,再使用变分推断获得用户的长期偏好表示。然后使用分层结构通过混合变分推断层将用户的长期行为和短期行为集成起来,试图增强推荐效果。最后在两个公开的真实世界的数据集上执行实验,展示了该模型的有效性。(3)为了捕获用户偏好的不确定性,本文提出了变分自注意力网络,该网络利用变分推断得到随机潜在变量,其方差可以很好地表征用户偏好的不确定性。同时使用自注意力网络来学习变分自编码器的推断过程和生成过程。最后在两个公开的真实世界的数据集上执行实验,表明了该方法的有效性。(4)根据以上两种序列推荐方法,本文设计了一个基于变分推断的电影推荐系统,验证了本文提出的两种与变分推断思想相关的方法的实用性。
时间感知的自注意力网络序列化推荐
这是一篇关于序列化推荐,自注意力网络,物品嵌入,时间信息,位置编码的论文, 主要内容为随着互联网与社交媒体的飞速发展,人们的信息需求日益增长。然而,随着海量信息的持续输出,信息过载问题也随之而来。面对这一亟需解决的问题,推荐系统便应运而生。其中序列化推荐系统的出现,为推荐系统的发展开辟了新的方向和可能性。现有的很多基于自注意力机制的序列化推荐算法主要考虑对用户的行为序列进行建模,而往往忽略了时间因素对用户行为的影响。此外,自注意力机制中传统的绝对位置编码方式将位置嵌入信息与商品嵌入信息相加作为网络的输入是不合理的,这会导致模型训练中产生噪声相关性和混合相关性,干扰了模型捕获序列中复杂关系的能力。本文针对上述问题进行了深入分析研究。首先,提出了一种融合时间信息的序列化推荐模型,将用户历史交互商品投影为常数个潜在兴趣,缓解了过度参数化和模型复杂度过高的问题。另外,通过提取隐含于用户-商品交互序列中的时间信息并将其注入自注意力网络,丰富上下文信息,增强模型捕获复杂序列模式的能力。通过与一组优秀的序列化推荐模型进行对比,验证了其在多个真实世界数据集上都具备良好的推荐性能。其次,将位置嵌入与商品嵌入分离,独立设计位置编码。考虑到位置信息与时间信息具有较强的相关性,将时间信息与位置信息融合,并结合自注意力机制计算位置信息权重,提出基于自注意力网络的时间感知序列化推荐模型,并与一组基准模型进行比较。结果表明,模型推荐性能显著提高。最后,基于SNTSR模型设计并实现了一个简易的电影推荐系统,可以向用户推荐其可能喜欢的电影,进一步验证了推荐模型的有效性和实用性。
基于深度学习的网络电视直播频道推荐算法研究
这是一篇关于IPTV,推荐系统,直播频道,自注意力网络的论文, 主要内容为随着互联网技术的快速发展以及网络带宽的迅速提升,网络协议电视(IPTV)相比于传统电视能够提供更多的电视直播频道以及其他多样化的内容服务,因此在家庭用户中变得更受欢迎。然而IPTV用户也不得不面临着信息过载的问题,他们必须花费更多的时间去寻找满足其兴趣的电视直播频道。电子节目指南(EPG)仍然是目前IPTV服务商提供给用户帮助其选择频道的常见辅助工具,但是EPG只在分层菜单中提供一个包含所有频道节目描述信息的列表,决策的负担依然由用户承担。随着个性化推荐技术在点播视频以及OTT业务领域的成功,为了提升用户体验,本文针对IPTV直播频道的个性化推荐系统进行了研究,主要工作内容总结如下:第一,本文基于用户观看IPTV直播频道的序列数据,提出一种基于自注意力机制的网络电视直播频道融合推荐方法(F-TASICR)。该方法首先构建一个时间自注意力网络自适应地捕获用户历史观看记录中的频道切换模式,接着利用四个基于频道观看特征统计策略的基础推荐器抽取用户行为中的观看时长、切换频次等隐式特征,然后通过注意力机制融合上述两个模块共同为用户生成频道推荐列表。通过在一个真实的大规模IPTV数据集上的实验结果验证了所提方法在IPTV直播频道推荐场景的有效性。第二,针对现实场景中IPTV设备背后复杂的家庭用户特点,提出基于用户与时间分组的网络电视直播频道推荐方法。该方法通过用户的观看特征向量以及数据集中整体数据的时间分布对用户或者时间进行动态分组,从而训练更加细粒度的模型,进一步提升了短推荐列表的性能。第三、基于用户历史行为数据和用户兴趣特点,提出一种通用的长短期兴趣结合的网络电视直播频道推荐方法(LSICR)。该方法首先通过时间自注意力网络提取用户长期的静态兴趣,接着使用具有多个不同尺寸滤波器的卷积神经网络提取用户短期的动态兴趣,然后同时整合用户长期和短期兴趣表示为其生成个性化推荐列表。最后通过在IPTV数据集以及多个公开数据集上的实验验证了所提方法的有效性。
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：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/55527.html
