联合多意图感知和序列模式的推荐方法研究
这是一篇关于序列推荐,多意图感知,序列模式,注意力机制,深度神经网络的论文, 主要内容为序列推荐系统,在给定按时间顺序排列的历史交互数据时,通过数据建模用户的潜在意图以及项目间的序列模式,可以更加准确、个性化地为用户提供推荐建议。准确的学习用户的潜在意图和序列模式已经成为推荐系统的重要任务。传统的序列推荐方法大都根据用户的交互历史记录,专注于建模序列模式或者序列行为中隐含的用户长短期偏好。主要存在以下的不足:1)用户的兴趣偏好是动态的,传统方法建模用户多意图时面临表达能力不足的问题;2)一些较深层的特征不能通过属性等信息表达,难以建模项目更深层次的特征;3)没有充分考虑序列模式和用户意图对推荐结果的共同影响。用户的交互行为受到意图、需求的影响,而且用户的意图、需求往往是多样的且相对稳定的。传统的推荐方法往往倾向于为用户推荐与最近交互最相关的项目,尽管与最近交互相关性高的项目往往会更能引起用户的反馈,但不能兼顾用户的多种意图和需求,会给推荐系统带来明显的偏倚。与传统的序列推荐方法相比,同时建模用户的多意图表征和序列模式能够获得更精确且多样的推荐结果。针对传统的序列推荐方法中所存在的上述问题,本文基于注意力机制设计了一种联合多意图感知和序列模式的推荐算法(Jointing Multi-Intention Perception and Sequential Patterns for Recommendation,MISPRec)。将原始的用户交互数据输入到模型后,通过算法建模序列模式和项目间的协同关系、用户的混合意图表示,并且从特征级增强用户混合意图的表示,最终使用三部分的表征进行推荐结果的预测。为了充分利用大量历史交互数据中所隐含的潜在信息,根据序列数据的特性和下一项预测推荐场景,本文设计了辅助任务,在本文所提出的MISPRec模型基础上,提出了基于自监督学习的预训练模型(MISPR-P)。在预训练阶段利用不同增强视图间的对比损失和序列与项目(或属性)之间的互信息作为优化目标,使两阶段共享的模型网络结构能够从大量的用户交互数据中学习序列中隐含的潜在特征并存储在模型参数中,在下游任务(序列推荐)中将这些知识提取出来,针对具体的监督任务(下一项预测)进行微调,使下游序列推荐任务受益。在五个真实世界公开数据集上进行了大量的实验,本文所提出的MISPRec与基线方法对比具有更优异的表现,验证了联合多意图感知和序列模式的有效性和合理性。并且通过实验验证了基于自监督学习的预训练模型对改进序列推荐任务性能具有促进作用,利用预训练学习到的知识转移到下游任务,能够加速模型收敛并且改善推荐性能。
基于马尔可夫决策过程的推荐方法研究
这是一篇关于推荐算法,马尔可夫决策过程,策略梯度,序列模式,多样性的论文, 主要内容为随着大数据的到来,网络用户的规模呈现爆发式增长。面对海量繁杂的网络大数据与千差万别的网络用户,如何从海量数据中精准的推荐给用户感兴趣的信息是十分重要的。推荐方法在一定程度上解决了信息过载问题,但传统推荐模型在挖掘数据特性和多样性推荐方面有待改进。为此,本文从挖掘数据特性和多样性推荐方向出发对基于马尔可夫决策过程的推荐方法开展了研究。首先介绍了本课题的研究背景及推荐系统的相关研究,阐述了本课题研究的意义。介绍了交互式推荐系统方法及强化学习的相关理论基础,以及多样性推荐的基本方法。然后,针对无法完全利用数据特性进行推荐的问题,结合强化学习方法提出基于马尔可夫决策过程的序列模式推荐模型(SPRR),将推荐过程建模为马尔可夫决策过程,设计融合序列模式评分的奖励作为交互式推荐的反馈信息,通过对累计奖励回报设计标准化操作来降低策略梯度的方差,实现提高累积奖励较大的推荐轨迹的概率,同时降低累积奖励较小的推荐轨迹的概率,学习更优的推荐策略,实现较好的挖掘数据特性进行推荐。实验表明基于马尔可夫决策过程的序列模式推荐模型合理可行,并取得了较好的推荐结果。其次,针对推荐过程中缺乏多样性的问题,在SPRR模型基础之上做出改进,提出了基于马尔可夫决策过程的多样性推荐模型(DR)。在序列模式推荐模型的基础上,阐述了多样性策略的具体做法,通过在推荐过程中依据相似度阈值,将高度相似的项目删除,降低推荐项目空间复杂度,提高推荐结果的多样性。最后,在公共数据集上的实验表明,所提方法在不同评价指标上均取得较好的推荐效果,并且增强了推荐列表的多样性。
Web使用挖掘在电子商务推荐系统中的应用研究
这是一篇关于Web使用挖掘,电子商务推荐系统,数据预处理,序列模式的论文, 主要内容为电子商务的流行使数据挖掘成为商业竞争中一项必不可少的技术。用户对网站的访问产生了海量的原始数据,这些数据以Web日志文件格式存储于Web服务器中,没有数据挖掘技术便不可能将这些海量数据转化为有用的信息。本论文主要研究Web使用挖掘,因为可以通过Web使用挖掘了解到用户的浏览行为模式,而这恰恰是电子商务推荐系统成败的关键。Web使用挖掘是数据挖掘技术在Web日志文件上的应用,其目的是从中获取有价值的信息为电子商务推荐系统所用。 本文首先提出了一个电子商务推荐系统的体系结构,然后详细讲解了该系统中各个模块的构造、功能以及如何相互协作从而最终完成推荐任务。并着重研究了数据预处理和序列模式挖掘的实现。数据预处理是Web使用挖掘过程中关键一步,其处理结果的质量直接影响后续步骤比如事务识别、路径分析、关联规则挖掘和序列模式挖掘等的效果。提出了数据预处理算法USIA,不但在一次处理过程中可以识别出用户和会话,而且实验证明其处理效率较高而且识别准确。 为了满足关联规则和序列模式挖掘的需要,提出了一个简洁但是高效的算法Predictor。经第一阶段实验检验基本满足了页面实时推荐的需要,而且该算法同时实现了数据的增量挖掘。所有实验数据完全为实际网站Web日志数据,非模拟生成,进一步保证了实验结果的准确性和可靠性。
Web使用挖掘在电子商务推荐系统中的应用研究
这是一篇关于Web使用挖掘,电子商务推荐系统,数据预处理,序列模式的论文, 主要内容为电子商务的流行使数据挖掘成为商业竞争中一项必不可少的技术。用户对网站的访问产生了海量的原始数据,这些数据以Web日志文件格式存储于Web服务器中,没有数据挖掘技术便不可能将这些海量数据转化为有用的信息。本论文主要研究Web使用挖掘,因为可以通过Web使用挖掘了解到用户的浏览行为模式,而这恰恰是电子商务推荐系统成败的关键。Web使用挖掘是数据挖掘技术在Web日志文件上的应用,其目的是从中获取有价值的信息为电子商务推荐系统所用。 本文首先提出了一个电子商务推荐系统的体系结构,然后详细讲解了该系统中各个模块的构造、功能以及如何相互协作从而最终完成推荐任务。并着重研究了数据预处理和序列模式挖掘的实现。数据预处理是Web使用挖掘过程中关键一步,其处理结果的质量直接影响后续步骤比如事务识别、路径分析、关联规则挖掘和序列模式挖掘等的效果。提出了数据预处理算法USIA,不但在一次处理过程中可以识别出用户和会话,而且实验证明其处理效率较高而且识别准确。 为了满足关联规则和序列模式挖掘的需要,提出了一个简洁但是高效的算法Predictor。经第一阶段实验检验基本满足了页面实时推荐的需要,而且该算法同时实现了数据的增量挖掘。所有实验数据完全为实际网站Web日志数据,非模拟生成,进一步保证了实验结果的准确性和可靠性。
基于马尔可夫决策过程的推荐方法研究
这是一篇关于推荐算法,马尔可夫决策过程,策略梯度,序列模式,多样性的论文, 主要内容为随着大数据的到来,网络用户的规模呈现爆发式增长。面对海量繁杂的网络大数据与千差万别的网络用户,如何从海量数据中精准的推荐给用户感兴趣的信息是十分重要的。推荐方法在一定程度上解决了信息过载问题,但传统推荐模型在挖掘数据特性和多样性推荐方面有待改进。为此,本文从挖掘数据特性和多样性推荐方向出发对基于马尔可夫决策过程的推荐方法开展了研究。首先介绍了本课题的研究背景及推荐系统的相关研究,阐述了本课题研究的意义。介绍了交互式推荐系统方法及强化学习的相关理论基础,以及多样性推荐的基本方法。然后,针对无法完全利用数据特性进行推荐的问题,结合强化学习方法提出基于马尔可夫决策过程的序列模式推荐模型(SPRR),将推荐过程建模为马尔可夫决策过程,设计融合序列模式评分的奖励作为交互式推荐的反馈信息,通过对累计奖励回报设计标准化操作来降低策略梯度的方差,实现提高累积奖励较大的推荐轨迹的概率,同时降低累积奖励较小的推荐轨迹的概率,学习更优的推荐策略,实现较好的挖掘数据特性进行推荐。实验表明基于马尔可夫决策过程的序列模式推荐模型合理可行,并取得了较好的推荐结果。其次,针对推荐过程中缺乏多样性的问题,在SPRR模型基础之上做出改进,提出了基于马尔可夫决策过程的多样性推荐模型(DR)。在序列模式推荐模型的基础上,阐述了多样性策略的具体做法,通过在推荐过程中依据相似度阈值,将高度相似的项目删除,降低推荐项目空间复杂度,提高推荐结果的多样性。最后,在公共数据集上的实验表明,所提方法在不同评价指标上均取得较好的推荐效果,并且增强了推荐列表的多样性。
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：源码港湾 ，原文地址：https://m.bishedaima.com/lunwen/56348.html
