针对目前团购推荐方法较少结合单个用户与群组用户,并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题,提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时,针对循环神经网络(RNN)的门控循环单元(GRU)...针对目前团购推荐方法较少结合单个用户与群组用户,并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题,提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时,针对循环神经网络(RNN)的门控循环单元(GRU)在团购推荐时没有考虑时序信息的影响,以及用户-商品交互序列中不相关的商品数据会产生噪声等问题,提出了融合时序感知GRU和自注意力的团购推荐模型(RTSA)。首先,通过计算用户购买的任意两个商品之间的个性化时间间隔,构建了时序感知GRU(TGRU)模型;然后,采用自注意力网络研究商品位置及个性化时间间隔的影响;最后,实验结果表明在Amazon Beauty数据集中,RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型(TiSASRec),前10个商品命中率提升了11.73%。对群组用户进行推荐时,针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重,以及群组-项目交互数据的稀疏性等问题,提出了融合社交网络和分层自注意力的团购推荐模型(SSAGR)。首先,采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣;其次,利用分层自注意力网络将社交网络信息整合到用户表示中,在不同权重下实现群组偏好聚合策略;然后,通过神经协同过滤(NCF)挖掘群组-项目交互,并实现了团购推荐;最后,实验结果表明,在MaFengWo数据集中,SSAGR相较于对群组用户推荐的最优的基线模型AGREE(Attentive Group REcommEndation),前5个商品命中率提升了3.53%。展开更多
文摘针对目前团购推荐方法较少结合单个用户与群组用户,并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题,提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时,针对循环神经网络(RNN)的门控循环单元(GRU)在团购推荐时没有考虑时序信息的影响,以及用户-商品交互序列中不相关的商品数据会产生噪声等问题,提出了融合时序感知GRU和自注意力的团购推荐模型(RTSA)。首先,通过计算用户购买的任意两个商品之间的个性化时间间隔,构建了时序感知GRU(TGRU)模型;然后,采用自注意力网络研究商品位置及个性化时间间隔的影响;最后,实验结果表明在Amazon Beauty数据集中,RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型(TiSASRec),前10个商品命中率提升了11.73%。对群组用户进行推荐时,针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重,以及群组-项目交互数据的稀疏性等问题,提出了融合社交网络和分层自注意力的团购推荐模型(SSAGR)。首先,采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣;其次,利用分层自注意力网络将社交网络信息整合到用户表示中,在不同权重下实现群组偏好聚合策略;然后,通过神经协同过滤(NCF)挖掘群组-项目交互,并实现了团购推荐;最后,实验结果表明,在MaFengWo数据集中,SSAGR相较于对群组用户推荐的最优的基线模型AGREE(Attentive Group REcommEndation),前5个商品命中率提升了3.53%。
