提高会话推荐多样性的SRL推荐系统模型

现有的各种推荐多样性定义难以体现用户在会话期内推荐项目的多样性,且现有的各种提高推荐多样性的方法通常以牺牲推荐准确率为代价.提出了会话推荐多样性的概念,分析了现有推荐系统会话推荐多样性偏低的主要原因是推荐树中存在过多的重复节点.设计了一种会话推荐列表SRL(sessionrecommendation list)推荐系统模型,为每个活跃用户建立会话推荐列表,能够有效避免推荐树中出现推荐环路或弱推荐环路.通过MovieLens数据集测试表明,SRL推荐系统模型可以大幅度提高会话推荐多样性,同时也提高了推荐准确率.

全局-局部信息增强的捆绑列表推荐

为解决捆绑列表推荐中会话兴趣表征不充分,以及预构建捆绑包不能根据会话动态兴趣进行个性化推荐的问题,提出一种全局-局部信息增强的捆绑列表生成网络。利用包含相对位置编码的时间加权多头注意力机制提取会话的全局信息,结合设计的多粒度深度可分离卷积融合会话的局部信息,通过自回归捆绑列表生成网络生成多样化的捆绑列表。在亚马逊数据集上进行广泛的实验,对生成捆绑包的大小进行分析,模型效果相比其它最优基准模型平均提升了15.19%。