基于重要性和转移关系感知的会话型推荐算法研究
这是一篇关于会话型推荐系统,注意力机制,双曲超图神经网络,对比学习的论文, 主要内容为在这个信息过载的时代,个性化推荐系统作为用户与海量信息数据间的桥梁,正在扮演越来越重要的角色。然而,随着越来越严格的隐私政策的实施,收集用户行为数据变得困难,这导致传统的推荐算法效果下降。在这种情况下,会话推荐系统(Session-based Recommendation)吸引了学术界和工业界越来越多的关注,它旨在在不使用任何用户资料和历史数据的情况下,预测正在进行的会话中可能出现的下一个物品。本文从会话型推荐中物品的重要性和转移关系两个角度出发,分别提出了 DEN模型与HHCN模型,对之前研究工作的一些不足之处进行探究。本文的主要研究工作归纳如下:(1)针对物品的重要性,本文提出了基于动态表征神经网络的DEN模型,针对之前工作对物品在会话中本身的相关性程度关注不够的问题,使用亲和矩阵来捕获用户对会话型推荐的主要偏好,有效地区分开了会话中的不相关物品。此外,该模型还利用Dropout机制构建自监督对比学习辅助任务,以缓解过拟合风险。(2)针对物品的转移关系,本文提出了双曲超图卷积神经网络的HHCN模型。该模型利用超图卷积神经网络捕捉会话中复杂的物品转移关系,解决了之前研究工作对会话中物品转移关系捕捉不足的问题。此外,该模型将模型与数据映射到双曲空间之中,更有效地捕捉会话中用户行为的层次结构表示,并缓解超图结构所带来的数据稀疏问题,使得模型在低存储的情况下发挥出更好的效果。(3)本文三个真实的业界数据集上(Tmall、Diginetica和Nowplaying)进行了广泛的实验,并与近些年常见的基线模型进行对比与分析。同时,在这些数据集上进行了消融实验,验证本文所提出的动态表征网络和双曲超图卷积这两个创新点的有效性。
基于重要性和转移关系感知的会话型推荐算法研究
这是一篇关于会话型推荐系统,注意力机制,双曲超图神经网络,对比学习的论文, 主要内容为在这个信息过载的时代,个性化推荐系统作为用户与海量信息数据间的桥梁,正在扮演越来越重要的角色。然而,随着越来越严格的隐私政策的实施,收集用户行为数据变得困难,这导致传统的推荐算法效果下降。在这种情况下,会话推荐系统(Session-based Recommendation)吸引了学术界和工业界越来越多的关注,它旨在在不使用任何用户资料和历史数据的情况下,预测正在进行的会话中可能出现的下一个物品。本文从会话型推荐中物品的重要性和转移关系两个角度出发,分别提出了 DEN模型与HHCN模型,对之前研究工作的一些不足之处进行探究。本文的主要研究工作归纳如下:(1)针对物品的重要性,本文提出了基于动态表征神经网络的DEN模型,针对之前工作对物品在会话中本身的相关性程度关注不够的问题,使用亲和矩阵来捕获用户对会话型推荐的主要偏好,有效地区分开了会话中的不相关物品。此外,该模型还利用Dropout机制构建自监督对比学习辅助任务,以缓解过拟合风险。(2)针对物品的转移关系,本文提出了双曲超图卷积神经网络的HHCN模型。该模型利用超图卷积神经网络捕捉会话中复杂的物品转移关系,解决了之前研究工作对会话中物品转移关系捕捉不足的问题。此外,该模型将模型与数据映射到双曲空间之中,更有效地捕捉会话中用户行为的层次结构表示,并缓解超图结构所带来的数据稀疏问题,使得模型在低存储的情况下发挥出更好的效果。(3)本文三个真实的业界数据集上(Tmall、Diginetica和Nowplaying)进行了广泛的实验,并与近些年常见的基线模型进行对比与分析。同时,在这些数据集上进行了消融实验,验证本文所提出的动态表征网络和双曲超图卷积这两个创新点的有效性。
基于重要性和转移关系感知的会话型推荐算法研究
这是一篇关于会话型推荐系统,注意力机制,双曲超图神经网络,对比学习的论文, 主要内容为在这个信息过载的时代,个性化推荐系统作为用户与海量信息数据间的桥梁,正在扮演越来越重要的角色。然而,随着越来越严格的隐私政策的实施,收集用户行为数据变得困难,这导致传统的推荐算法效果下降。在这种情况下,会话推荐系统(Session-based Recommendation)吸引了学术界和工业界越来越多的关注,它旨在在不使用任何用户资料和历史数据的情况下,预测正在进行的会话中可能出现的下一个物品。本文从会话型推荐中物品的重要性和转移关系两个角度出发,分别提出了 DEN模型与HHCN模型,对之前研究工作的一些不足之处进行探究。本文的主要研究工作归纳如下:(1)针对物品的重要性,本文提出了基于动态表征神经网络的DEN模型,针对之前工作对物品在会话中本身的相关性程度关注不够的问题,使用亲和矩阵来捕获用户对会话型推荐的主要偏好,有效地区分开了会话中的不相关物品。此外,该模型还利用Dropout机制构建自监督对比学习辅助任务,以缓解过拟合风险。(2)针对物品的转移关系,本文提出了双曲超图卷积神经网络的HHCN模型。该模型利用超图卷积神经网络捕捉会话中复杂的物品转移关系,解决了之前研究工作对会话中物品转移关系捕捉不足的问题。此外,该模型将模型与数据映射到双曲空间之中,更有效地捕捉会话中用户行为的层次结构表示,并缓解超图结构所带来的数据稀疏问题,使得模型在低存储的情况下发挥出更好的效果。(3)本文三个真实的业界数据集上(Tmall、Diginetica和Nowplaying)进行了广泛的实验,并与近些年常见的基线模型进行对比与分析。同时,在这些数据集上进行了消融实验,验证本文所提出的动态表征网络和双曲超图卷积这两个创新点的有效性。
基于深度学习的用户兴趣迁移感知推荐研究
这是一篇关于兴趣迁移,神经网络,会话型推荐系统,注意力机制,个性化因素的论文, 主要内容为信息技术发展的同时也导致了信息过载问题,其极大影响了线上用户体验,推荐是解决这一问题的一类策略。如何捕捉用户的兴趣迁移,提取用户的主要兴趣从而实现精准推荐是推荐系统面临的一个重要挑战。然而,目前主流推荐算法以用户画像等信息为依据提供个性化推荐,对用户兴趣的变化过程考虑不充分,所以无法应用在用户画像等隐私数据难以获取的一些应用场景中(如,会话型推荐系统)。本文聚焦会话型推荐系统,对匿名用户的行为建模方式展开研究,通过分析有限的用户行为数据实现对用户兴趣迁移的捕捉,从用户的动态兴趣变化中提取用户的主要兴趣偏好,从而提高推荐的准确性。本文提出了两种新颖的神经网络模型来解决以上问题,其中有三点主要贡献:1)针对用户兴趣变化,短期兴趣不能充分反应用户主要兴趣的问题,我们充分融合了用户的长期、短期与当前兴趣偏好对用户的行为进行预测,提高了对用户主要兴趣的表征能力。由于用户行为数据是具有时间顺序的序列数据,因此本文基于循环神经网络对用户的行为数据进行初步建模,在此基础上提取用户的长期、短期与当前兴趣偏好。2)针对传统注意力机制只计算项目整体权重,而忽略了项目特征的问题,提出了项目特征级别的注意力机制。该机制能够有效地过滤用户的误点击行为,同时从项目特征维度提取用户的主要兴趣,实现对用户偏好的精确建模。3)针对以往方法只对点击顺序建模,损失了用户个性化信息的问题,提出了时间感知的序列推荐模型。该模型能够考虑序列中的个性化因素,实现个性化预测。另外,模型根据用户在不同项目上的停留时间,对不同的项目分配不同的权值,以此为基础提取用户的兴趣偏好。因此模型能更好的利用用户的行为数据对用户的兴趣偏好进行提取,提高了推荐性能。本文围绕以上内容,基于真实数据集,设计并开展了大量的实验验证工作,并与相关工作进行了对比,充分验证了提出方法的有效性。
基于知识图谱的会话型推荐系统的研究与实现
这是一篇关于会话型推荐系统,知识图谱,表示学习,循环神经网络,门控图神经网络的论文, 主要内容为随着移动互联网和大数据时代的迅速发展,信息服务资源爆炸式增长,如何快速精准地从海量数据中获取最有价值的信息服务资源成为了巨大挑战。会话型推荐系统因其无需用户历史信息,基于用户会话序列即可生成与用户当前偏好相匹配的个性化推荐,而被广泛关注和研究。知识图谱作为真实世界中关联实体的一种信息表示,可以补充会话Item的关联信息,生成更加精准的推荐结果。目前,会话型推荐场景中基本没有基于知识图谱的相关应用研究和落地实现。同时,当前会话型推荐还存在着以下问题:1)严格序列建模,忽略会话弱序列约束关系,没有考虑Item语义信息和会话外部上下文;2)没有考虑Item之间的语义关联,不能深入挖掘Item之间复杂交互关系。针对以上问题,本文重点围绕会话外部上下文的提取,会话Item复杂关系的建模和知识图谱在会话推荐场景的结合应用展开研究,主要研究内容有以下三项:(1)设计并实现了一种基于知识图谱上下文发现的会话型推荐方法。通过引入知识图谱构建会话外部上下文,结合循环门控单元序列建模生成推荐,在MovieLens数据集上Recall和MRR指标相比基线模型分别提升了 4.36%和1.34%。(2)设计并实现了一种基于SR-GNN改进的会话型推荐方法。通过图谱实体间的链路信息补全会话序列有向关系图,使用门控图神经网络结合多头注意力机制对其建模生成推荐,在MovieLens数据集上Recall和MRR指标相比SR-GNN分别提升了 2.89%和1.21%。(3)设计并实现了面向电影领域的信息搜索推荐系统平台,设计并完成系统平台的搜索、浏览、会话型推荐等功能,实现本文提出的基于知识图谱的会话型推荐算法模型在实际场景中的应用。
基于神经网络的会话推荐方法研究
这是一篇关于会话型推荐系统,长期意图,短期兴趣,协同信息的论文, 主要内容为随着5G时代的到来,互联网技术已经覆盖衣食住行等方方面面,其给人带来便利的同时,也使信息过载问题变得愈加严重。推荐系统作为克服信息过载的核心技术之一,受到越来越多科研学者的重视。传统推荐算法所需要的用户属性信息和用户-项目交互矩阵数据难以获取,相反用户在会话期间留下的行为数据却能被轻易记录。因此,本篇论文对建模会话行为数据的会话型推荐系统展开深入研究。本篇论文通过分析现阶段会话型推荐系统研究存在的不足,提出两种会话型推荐模型,一种是基于项目特征和注意力机制的会话型推荐模型SR-IAN;另外一种是基于领域感知的协同会话推荐模型CSR-NA。SR-IAN模型中采用GRU网络对当前用户的会话行为序列建模,挖掘短期兴趣;采用融合会话项目特征和项目位置信息的注意力机制挖掘会话行为序列中所蕴含的长期意图;最后线性拼接当前用户的短期兴趣和长期意图,得到意图融合的会话特征表征,并由此特征表征匹配推荐列表。CSR-NA模型是在SR-IAN模型基础上添加会话间协同信息,并使用多层感知机自适应分配意图融合的会话特征表征与会话间协同信息的相对权重,得到当前会话的最终表示;最后根据最终表示计算候选集中每个候选项目的推荐分数,并将推荐分数最高的前K项作为模型的推荐列表。最后,为验证SR-IAN和CSR-NA两种模型的推荐效果,分别在Yoochoose和Dignetica两个数据集上进行实验测试,分别验证意图融合的特征表征和会话间协同信息的有效性。并将SR-IAN和CSR-NA与9种基准模型进行对比实验,实验结果表明模型在Recall和MRR两个数据指标上优于其他基准模型。
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：代码向导 ，原文地址：https://m.bishedaima.com/lunwen/56261.html
