面向工业互联网复杂数据场景下的推荐算法研究
这是一篇关于工业互联网,图神经网络,知识蒸馏,会话推荐算法,注意力机制的论文, 主要内容为推荐系统已成为电子商务场景的基础,基于会话的推荐因其灵活性和高度实用价值在推荐系统中发挥着越来越重要的作用。尽管在之前的工作中已经取得了一些比较不错的结果,但由于每个会话中的下一次点击所涉及的信息有限且有可能为噪声信息,因此这些方法仍然不足以实现卓越的推荐性能。本文针对硬标签会对模型学习造成误导造成准确度受限及在存在数据噪声的情况下进行模型训练进行研究。单纯考虑会话中的顺序链接生成的硬标签会丢失会话中项目之间的关联,并且容易使模型学习到噪声信息。因此针对传统方法中硬标签中的噪声信息会对模型学习造成误导的情况,本文引入软标签概念,提出了基于自蒸馏图神经网络(Self-Distillation Graph Neural Networks,SD-GNN)的推荐模型。具体而言,为了获得可靠的软标签,本文采用性能良好和可靠的深度集成(deep ensemble)作为教师模型,该模型由多个随机初始化的GNN所构成,具有良好的灵活性和可扩展性。此外,本文利用教师模型产生的软标签分布来训练集成模型中的每个GNN,以实现提出的自蒸馏技术。实验上,通过在两个公开数据集上进行的大量实验表明,本文所提出的方法(SD-GNN)优于近三年内提出的其他基线方法,在推荐准确率上获得10%的提升。除此之外,本文为解决实际工业互联网场景下的会话推荐系统所存在的问题,提出了一种新颖的双稀疏注意力网络模型。在该方法中,通过探索学习的目标项目嵌入来模拟用户当前的偏好,并使用自适应稀疏变换函数来消除不相关项目的影响。最终在工业互联网标识解析项目搜索引擎中获取的真实会话数据集上相较于基线方法分别在MRR@20和P@20指标上分别获得20.1%和5.34%的提升。
全局信息感知的会话推荐算法研究
这是一篇关于深度学习,推荐系统,会话推荐算法,图神经网络的论文, 主要内容为随着Web2.0和大数据技术的迅速发展,互联网中数据量呈爆炸式增长,海量数据蕴含了巨大的商业价值,但其庞大的数据量阻碍着用户高效准确地获取所需信息。为解决上述问题,推荐系统被广大研究学者提出,其通过挖掘用户历史行为数据为用户推荐其潜在感兴趣的信息(或商品),从而有效缓解信息过载问题。其中,会话推荐系统主要对用户的行为序列进行建模,受到了广泛关注。目前,已有会话推荐算法主要基于深度学习方法来提升算法性能,然而现有算法在建模过程中通常只关注于单一会话,由于单一会话中包含的信息有限,其难以准确捕捉复杂物品转移关系和用户重复行为偏好。因此,考虑引入两种全局信息(即全局转移关系和群体行为模式)来解决上述问题:(1)针对会话推荐中存在的物品全局转移关系建模,提出了一种基于全局上下文增强的图神经网络会话推荐算法。该算法通过将所有会话中数据切分成物品关系对的方式构建物品全局关系转移图,以学习不同物品在全局关系转移图中的上下文依赖关系,从而有效解决物品转移关系因信息受限难以捕捉的问题。(2)针对会话推荐中群体用户的重复行为偏好建模,提出了一种基于群体行为模式的会话推荐算法。该算法通过定义群体行为模式将全局信息引入会话推荐建模中,基于群体行为模式来准确预测当前会话中用户是否倾向于重复行为以及用户对已交互过物品的偏好,从而有效解决用户重复行为偏好因信息受限难以学习的问题,进而提升会话推荐算法的性能。在多个真实世界数据集上的实验结果表明,所提出的两个算法在Precision@N和MRR@N指标上能超越现有方法,且消融实验结果验证了所提出的全局转移关系和群体行为模式的有效性,这说明所提出的算法有潜力能够在真实场景中为用户提供更高性能的推荐服务。
全局信息感知的会话推荐算法研究
这是一篇关于深度学习,推荐系统,会话推荐算法,图神经网络的论文, 主要内容为随着Web2.0和大数据技术的迅速发展,互联网中数据量呈爆炸式增长,海量数据蕴含了巨大的商业价值,但其庞大的数据量阻碍着用户高效准确地获取所需信息。为解决上述问题,推荐系统被广大研究学者提出,其通过挖掘用户历史行为数据为用户推荐其潜在感兴趣的信息(或商品),从而有效缓解信息过载问题。其中,会话推荐系统主要对用户的行为序列进行建模,受到了广泛关注。目前,已有会话推荐算法主要基于深度学习方法来提升算法性能,然而现有算法在建模过程中通常只关注于单一会话,由于单一会话中包含的信息有限,其难以准确捕捉复杂物品转移关系和用户重复行为偏好。因此,考虑引入两种全局信息(即全局转移关系和群体行为模式)来解决上述问题:(1)针对会话推荐中存在的物品全局转移关系建模,提出了一种基于全局上下文增强的图神经网络会话推荐算法。该算法通过将所有会话中数据切分成物品关系对的方式构建物品全局关系转移图,以学习不同物品在全局关系转移图中的上下文依赖关系,从而有效解决物品转移关系因信息受限难以捕捉的问题。(2)针对会话推荐中群体用户的重复行为偏好建模,提出了一种基于群体行为模式的会话推荐算法。该算法通过定义群体行为模式将全局信息引入会话推荐建模中,基于群体行为模式来准确预测当前会话中用户是否倾向于重复行为以及用户对已交互过物品的偏好,从而有效解决用户重复行为偏好因信息受限难以学习的问题,进而提升会话推荐算法的性能。在多个真实世界数据集上的实验结果表明,所提出的两个算法在Precision@N和MRR@N指标上能超越现有方法,且消融实验结果验证了所提出的全局转移关系和群体行为模式的有效性,这说明所提出的算法有潜力能够在真实场景中为用户提供更高性能的推荐服务。
基于长短期兴趣和邻域信息的会话推荐模型研究
这是一篇关于会话推荐算法,邻域信息,长短期兴趣,图神经网络,注意力机制的论文, 主要内容为近年来,大数据等信息技术的发展导致互联网资源呈指数式增长,引发了信息过载的灾难。如何让用户在海量资源中准确获取满足个人需求的信息,成为了互联网行业的巨大挑战。推荐系统作为人工智能领域中的一种决策支持技术,能够有效解决这一问题。大多数推荐系统根据个人信息及其历史行为推断用户的兴趣偏好,做出个性化推荐。但是,在现实推荐场景中,系统通常无法获取完整的用户个人信息和长期历史行为数据,因此,对会话推荐的研究在推荐技术中具有重要意义。基于会话的推荐方法无需访问个人信息,仅根据会话中用户与项目的交互序列完成推荐。随着深度学习技术的发展,会话推荐在实际应用中取得了显著的成果,但现有会话推荐模型仍存在以下问题:对用户兴趣建模过程中,忽略了在不同长度会话中长期兴趣和短期兴趣对生成用户整体兴趣的重要性程度是不同的;大多数算法仅利用当前会话中的有限信息建模,造成对全局会话关系中邻域信息的获取和使用不足。为了更有效地为用户提供准确的个性化推荐,针对上述问题,本文在现有研究工作基础上提出相应改进策略,主要工作如下:(1)设计了一种基于长短期兴趣自适应融合的会话推荐模型(Session-based Recommendation Model Based on Adaptive Fusion of Long and Short-term Interests,SRAFLSI)。模型首先利用融合自注意力机制的门控图神经网络更新会话图中节点信息,获得项目嵌入表示,然后对会话长度进行归一化,生成长短期兴趣融合权重,通过加权融合的方式聚合长期兴趣和短期兴趣,得到代表用户整体兴趣的会话嵌入表示,最后根据会话表征完成推荐。(2)设计了一种基于邻域信息增强的图神经网络会话推荐模型(Session-based Recommendation Model with Graph Neural Network Based on Neighborhood Information Enhancement,SR-NIE)。在对当前会话建模的同时,引入其他会话中的邻域信息作为补充,以达到信息扩增的目的。模型首先构建会话图和位置感知全局图,在位置感知全局图中考虑了项目之间的相对位置信息,并基于两种图结构学习得到项目嵌入表示,然后通过注意力机制聚合项目反向位置嵌入和用户长短期兴趣表示获得融合邻域信息的会话嵌入表示,最后完成推荐。(3)选择真实公开数据集对设计的两种模型进行测试,通过与基线模型的对比实验和自身消融实验,验证两种模型的有效性和模型中各模块设置的合理性。
基于长短期兴趣和邻域信息的会话推荐模型研究
这是一篇关于会话推荐算法,邻域信息,长短期兴趣,图神经网络,注意力机制的论文, 主要内容为近年来,大数据等信息技术的发展导致互联网资源呈指数式增长,引发了信息过载的灾难。如何让用户在海量资源中准确获取满足个人需求的信息,成为了互联网行业的巨大挑战。推荐系统作为人工智能领域中的一种决策支持技术,能够有效解决这一问题。大多数推荐系统根据个人信息及其历史行为推断用户的兴趣偏好,做出个性化推荐。但是,在现实推荐场景中,系统通常无法获取完整的用户个人信息和长期历史行为数据,因此,对会话推荐的研究在推荐技术中具有重要意义。基于会话的推荐方法无需访问个人信息,仅根据会话中用户与项目的交互序列完成推荐。随着深度学习技术的发展,会话推荐在实际应用中取得了显著的成果,但现有会话推荐模型仍存在以下问题:对用户兴趣建模过程中,忽略了在不同长度会话中长期兴趣和短期兴趣对生成用户整体兴趣的重要性程度是不同的;大多数算法仅利用当前会话中的有限信息建模,造成对全局会话关系中邻域信息的获取和使用不足。为了更有效地为用户提供准确的个性化推荐,针对上述问题,本文在现有研究工作基础上提出相应改进策略,主要工作如下:(1)设计了一种基于长短期兴趣自适应融合的会话推荐模型(Session-based Recommendation Model Based on Adaptive Fusion of Long and Short-term Interests,SRAFLSI)。模型首先利用融合自注意力机制的门控图神经网络更新会话图中节点信息,获得项目嵌入表示,然后对会话长度进行归一化,生成长短期兴趣融合权重,通过加权融合的方式聚合长期兴趣和短期兴趣,得到代表用户整体兴趣的会话嵌入表示,最后根据会话表征完成推荐。(2)设计了一种基于邻域信息增强的图神经网络会话推荐模型(Session-based Recommendation Model with Graph Neural Network Based on Neighborhood Information Enhancement,SR-NIE)。在对当前会话建模的同时,引入其他会话中的邻域信息作为补充,以达到信息扩增的目的。模型首先构建会话图和位置感知全局图,在位置感知全局图中考虑了项目之间的相对位置信息,并基于两种图结构学习得到项目嵌入表示,然后通过注意力机制聚合项目反向位置嵌入和用户长短期兴趣表示获得融合邻域信息的会话嵌入表示,最后完成推荐。(3)选择真实公开数据集对设计的两种模型进行测试,通过与基线模型的对比实验和自身消融实验,验证两种模型的有效性和模型中各模块设置的合理性。
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：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/56349.html
