基于多特征融合的会话推荐算法研究
这是一篇关于基于会话的推荐,多图神经网络,注意力机制,个性化偏好,协同信息,物品种类的论文, 主要内容为随着互联网的发展、因特网的普及,人们普遍面临的问题是信息过载。为了缓解信息过载,推荐系统应运而生。推荐系统的存在大大降低了用户获取有效信息的成本,提高了用户的上网体验。一般来说,推荐系统根据用户的历史行为挖掘用户的偏好,然后从海量的信息与资源中发现用户可能感兴趣的事物并产生推荐。然而在实际应用中,对许多身份未知的用户或新用户,他们的历史行为是不可知的,仅能根据用户的当前行为产生推荐,为了解决这个问题,就出现了基于会话的推荐。目前基于会话的推荐已成为工业界以及学术界的热点问题。因此,本文基于前沿深度学习技术开展了基于会话的推荐问题的研究,完成的主要工作如下:(1)针对基于会话的推荐算法主要依赖目标会话中有限的信息,而未充分利用物品间的全局信息的问题,提出了一种基于多图神经网络的会话感知推荐模型(Multi-Graph Neural Network-based Session Perception Recommendation Model,MGNN-SPRM)。首先,根据目标会话与训练集中的所有会话构建物品转移图和协同关联图,基于两张图应用图神经网络,汇聚节点的信息,得到两类节点表示,分别表示用户的个性化偏好信息和协同偏好信息;然后,经过双层注意力模块对两类节点表示建模,第一层注意力机制用于捕获个性化偏好与协同信息间的依赖关系,第二层注意力机制为会话中的每个物品表示分配权重,得到会话级别的表示;最后,使用注意力机制进行信息融合并预测下一个交互物品。(2)为进一步弥补目标会话中信息有限的问题,本文引入物品种类信息,在MGNN-SPRM的基础上提出基于物品种类信息增强的会话感知推荐模型(Category Message Enhancing-based Session Perception Recommendation Model,CME-SPRM。根据当前会话从协同关联图中抽取子图时,利用物品种类信息抽取同种类的节点并将其扩充到子图中,相当于利用物品种类信息引入了更多的全局信息。另外,考虑到引入的会话以外的节点对目标会话具有不同的重要性,通过图注意力网络对子图进行建模,自适应地选择重要的全局信息。(3)在电商领域中两个公开数据集上进行了实验,实验结果表明,所提两个模型在各项指标均优于前沿基准模型。CME-SPRM模型由于有效地利用了物品种类信息,相比MGNN-SPRM获得了更好的性能。
基于多特征融合的会话推荐算法研究
这是一篇关于基于会话的推荐,多图神经网络,注意力机制,个性化偏好,协同信息,物品种类的论文, 主要内容为随着互联网的发展、因特网的普及,人们普遍面临的问题是信息过载。为了缓解信息过载,推荐系统应运而生。推荐系统的存在大大降低了用户获取有效信息的成本,提高了用户的上网体验。一般来说,推荐系统根据用户的历史行为挖掘用户的偏好,然后从海量的信息与资源中发现用户可能感兴趣的事物并产生推荐。然而在实际应用中,对许多身份未知的用户或新用户,他们的历史行为是不可知的,仅能根据用户的当前行为产生推荐,为了解决这个问题,就出现了基于会话的推荐。目前基于会话的推荐已成为工业界以及学术界的热点问题。因此,本文基于前沿深度学习技术开展了基于会话的推荐问题的研究,完成的主要工作如下:(1)针对基于会话的推荐算法主要依赖目标会话中有限的信息,而未充分利用物品间的全局信息的问题,提出了一种基于多图神经网络的会话感知推荐模型(Multi-Graph Neural Network-based Session Perception Recommendation Model,MGNN-SPRM)。首先,根据目标会话与训练集中的所有会话构建物品转移图和协同关联图,基于两张图应用图神经网络,汇聚节点的信息,得到两类节点表示,分别表示用户的个性化偏好信息和协同偏好信息;然后,经过双层注意力模块对两类节点表示建模,第一层注意力机制用于捕获个性化偏好与协同信息间的依赖关系,第二层注意力机制为会话中的每个物品表示分配权重,得到会话级别的表示;最后,使用注意力机制进行信息融合并预测下一个交互物品。(2)为进一步弥补目标会话中信息有限的问题,本文引入物品种类信息,在MGNN-SPRM的基础上提出基于物品种类信息增强的会话感知推荐模型(Category Message Enhancing-based Session Perception Recommendation Model,CME-SPRM。根据当前会话从协同关联图中抽取子图时,利用物品种类信息抽取同种类的节点并将其扩充到子图中,相当于利用物品种类信息引入了更多的全局信息。另外,考虑到引入的会话以外的节点对目标会话具有不同的重要性,通过图注意力网络对子图进行建模,自适应地选择重要的全局信息。(3)在电商领域中两个公开数据集上进行了实验,实验结果表明,所提两个模型在各项指标均优于前沿基准模型。CME-SPRM模型由于有效地利用了物品种类信息,相比MGNN-SPRM获得了更好的性能。
融合知识图谱和增强特征的推荐方法研究
这是一篇关于协同信息,知识图谱,图像特征,推荐系统,注意力机制的论文, 主要内容为随着互联网技术的日益发展,互联网中的数据飞速增长,人类也受信息过载问题的困扰,所以研究人员提出了推荐系统,为用户进行个性化推荐,减少信息过载对用户的影响。传统的推荐系统存在推荐精度不高的问题,研究人员提出使用一些额外信息作为辅助信息进行推荐,知识图谱中蕴含了实体之间的丰富语义信息,将其应用到推荐系统,可以有效提高推荐准确率。针对现有基于知识图谱的推荐算法存在的问题,本文旨在设计准确率更高的推荐算法,提升用户体验感。本文的研究内容如下:(1)具有相似偏好的用户喜欢的物品也会相似,利用这些物品的信息,可以捕获用户的潜在偏好,但是现有大多基于知识图谱的推荐模型忽略了这一点。针对上述问题,本文提出了一种基于高阶协同信息和重要特征挖掘的推荐模型。该模型通过用户和物品的历史交互数据,提取一阶协同信息和高阶协同信息,并利用注意力机制挖掘重要特征。使用用户-物品二部图中用户的一阶邻居和三阶邻居,物品的二阶邻居,与知识图谱中的实体对应,在知识图谱中执行传播操作提取知识图谱信息,扩展用户偏好。最后将两种信息融合,得到用户和物品的最终表示进行预测。通过在两个真实数据集上的实验结果表明,推荐准确率有所提升。(2)上述方法从知识图谱和交互数据中提取用户和物品的特征,提升了推荐准确率。但是这些特征都局限于文本特征,没有考虑到其他类型的特征。针对这一问题,本文提出了一种基于图像特征的双通道注意力机制推荐模型。该模型考虑到物品图像中的丰富信息,采用VGG19提取与物品相关的图像特征,使用一种双通道注意力机制为用户历史行为图像分配权重,有差别地聚合用户历史行为图像。采用异构传播策略,在用户-物品二部图和知识图谱中迭代传播,显式编码协同信息和知识图谱信息。同时在聚合知识图谱中邻域信息时,使用注意力机制根据头实体和关系的不同,为尾实体分配不同的权重,更好地提取知识图谱中的语义信息。根据用户历史点击物品与当前任务的相关性,为其分配权重,动态聚合用户的历史交互信息。最后融合几种信息,进行推荐。通过多组实验证明,该方法可以有效提升推荐准确率。
基于深度学习的序列推荐算法研究
这是一篇关于序列推荐,自注意力机制,时间感知,协同信息,图神经网络的论文, 主要内容为推荐系统可以分析和建模用户的历史行为,基于学习到的用户兴趣来生成推荐建议,降低信息过载带来的负面影响,改善用户体验。通常,用户行为是按顺序发生的,前后交互之间存在上下文依赖关系。序列推荐通过建模交互序列中的时序依赖关系来学习用户兴趣的表示,预测用户接下来的交互行为。虽然序列推荐已经被广泛研究和应用,但是现有的方法仍然存在以下几个问题:第一,没有同时考虑用户短期兴趣的动态变化特性和长期兴趣的全局稳定特性。在学习用户兴趣时,没有充分建模短期序列中项目之间复杂的依赖关系和转移关系,没有根据用户偏好来区分不同项目特征的重要性。第二,在建模时没有考虑用户和项目的交互时间,只是基于交互发生的先后顺序,长时间间隔会导致项目之间的关联性降低。对于时间跨度不同的序列,建模重点应该是不同的。第三,只根据单一序列中的交互行为来建模用户兴趣,没有考虑序列之间重要的项目协同信息。当给定序列中的数据过于稀疏时,会导致模型无法做出准确预测。为了提高推荐的准确度,针对上述问题,本文主要从以下三个方面进行研究:(1)基于自注意力机制的序列推荐算法。在短期兴趣建模中,自注意力机制可以并行计算其他项目对当前项目的重要程度,衡量了不同项目之间的相关性。在长期兴趣建模中,使用基于用户的门控网络来提取用户重点关注的项目特征。最终,组合短期兴趣和长期兴趣来预测用户接下来的交互行为。在两个数据集上的实验表明,对比其他方法,本文所提出的方法具有更准确的推荐效果。(2)基于时间自注意力和多偏好学习的序列推荐算法。动态兴趣建模时,通过GRU得到用户在每个时间步的意图表示,使用时间门控自注意力机制来捕捉用户意图的动态变化,借助时间信息来建模用户兴趣的漂移过程,可以提高准确度。一般兴趣建模时,使用多偏好矩阵来分类用户的偏好,能够提高多样性。通过融合用户的动态兴趣和一般兴趣来为用户推荐项目。实验证明,在两种评价指标下,本文所提出的方法实现了最好的推荐效果。(3)基于图神经网络的序列推荐算法。首先为给定序列构建项目协同图,通过改进的图注意力网络来聚合邻域的项目协同信息,同时考虑了两个项目之间的共现关系和时间约束关系。在建模动态兴趣时,使用时间门控来处理时间间隔对项目之间关联性的影响。在建模静态兴趣时,基于用户的注意力机制可以生成个性化的静态兴趣表示。本文所提出的方法可以同时结合序列内的项目信息和序列间的协同信息,实验结果表明,可以有效降低数据稀疏造成的影响,提供更加准确的推荐建议。
基于多特征融合的会话推荐算法研究
这是一篇关于基于会话的推荐,多图神经网络,注意力机制,个性化偏好,协同信息,物品种类的论文, 主要内容为随着互联网的发展、因特网的普及,人们普遍面临的问题是信息过载。为了缓解信息过载,推荐系统应运而生。推荐系统的存在大大降低了用户获取有效信息的成本,提高了用户的上网体验。一般来说,推荐系统根据用户的历史行为挖掘用户的偏好,然后从海量的信息与资源中发现用户可能感兴趣的事物并产生推荐。然而在实际应用中,对许多身份未知的用户或新用户,他们的历史行为是不可知的,仅能根据用户的当前行为产生推荐,为了解决这个问题,就出现了基于会话的推荐。目前基于会话的推荐已成为工业界以及学术界的热点问题。因此,本文基于前沿深度学习技术开展了基于会话的推荐问题的研究,完成的主要工作如下:(1)针对基于会话的推荐算法主要依赖目标会话中有限的信息,而未充分利用物品间的全局信息的问题,提出了一种基于多图神经网络的会话感知推荐模型(Multi-Graph Neural Network-based Session Perception Recommendation Model,MGNN-SPRM)。首先,根据目标会话与训练集中的所有会话构建物品转移图和协同关联图,基于两张图应用图神经网络,汇聚节点的信息,得到两类节点表示,分别表示用户的个性化偏好信息和协同偏好信息;然后,经过双层注意力模块对两类节点表示建模,第一层注意力机制用于捕获个性化偏好与协同信息间的依赖关系,第二层注意力机制为会话中的每个物品表示分配权重,得到会话级别的表示;最后,使用注意力机制进行信息融合并预测下一个交互物品。(2)为进一步弥补目标会话中信息有限的问题,本文引入物品种类信息,在MGNN-SPRM的基础上提出基于物品种类信息增强的会话感知推荐模型(Category Message Enhancing-based Session Perception Recommendation Model,CME-SPRM。根据当前会话从协同关联图中抽取子图时,利用物品种类信息抽取同种类的节点并将其扩充到子图中,相当于利用物品种类信息引入了更多的全局信息。另外,考虑到引入的会话以外的节点对目标会话具有不同的重要性,通过图注意力网络对子图进行建模,自适应地选择重要的全局信息。(3)在电商领域中两个公开数据集上进行了实验,实验结果表明,所提两个模型在各项指标均优于前沿基准模型。CME-SPRM模型由于有效地利用了物品种类信息,相比MGNN-SPRM获得了更好的性能。
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/56275.html
