时间感知的用户长短期兴趣特征分离推荐算法

针对传统推荐算法未充分考虑行为序列间的动态时间间隔、语义不规则以及用户长短期兴趣相互纠缠的问题,提出一种时间感知的用户长短期兴趣特征分离推荐算法。利用用户个性化时间聚合间隔感知和时间位置多头注意力捕获长期兴趣特征,采用动态时间间隔感知和潜在意图注意力的Time-LSTM捕获短期兴趣特征,提出长短期兴趣特征分离获取方法,分别独立捕获两种时间尺度的用户兴趣,通过注意力机制自适应融合长短期兴趣特征,提高用户兴趣特征捕获准确率。实验结果表明,该算法在预测精度指标AUC和GAUC上较对比算法均有提升,消融实验也进一步验证了该算法的必要性。

基于社交关系和时序信息的团购推荐方法

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%。

融合时序感知GRU和自注意力的团购推荐算法

针对循环神经网络在进行团购推荐时没有考虑时序信息的影响,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,在GRU模型的基础上增加了时间门,构建了时序感知的GRU模块;进一步地,针对用户-商品交互序列中不相关的商品数据会产生噪声的问题,采用自注意力网络,研究了商品位置及个性化时间间隔的影响,提出了融合时序感知GRU和自注意力的团购推荐算法RTSA.在两组公开数据集上进行仿真实验,以准确率、召回率、命中率和归一化折损累计增益为评价指标,验证了RTSA模型的有效性.