基于会话的独立邻域矩阵偏好交互推荐

通过合并输入和输出邻域矩阵可以使一些工作生成全局和局部偏好,并直接对这2个偏好建模来构建会话表示,从而实现改进。然而,一个会话的输入矩阵和输出矩阵并没有很强的相关性,它们的连接可能会为构建2个偏好引入噪声。其次,全局偏好和局部偏好可以相互促进,且邻域会话的协同信息可能有助于提高推荐性能。因此,一种基于会话的偏好交互推荐被提出,它来自独立的输入邻域矩阵和输出邻域矩阵框架,包括2个并行模块:输入会话表示编码器(ISE)和输出会话表示编码器(OSE)。ISE通过GNN和并行协同注意力机制对具有输入信息的会话表示进行建模。OSE通过GNN和并行协同注意力机制对具有输出信息的会话表示进行建模。最后,引入一种融合门控机制来平衡ISE和OSE产生的会话表示的重要性。结果表明,在Yoochoose和Diginetica数据集上,提出的模型明显优于其他先进的方法。

基于会话的双层注意力机制新闻推荐方法

随着新闻信息的爆炸式增长,个性化新闻推荐对用户快速找到感兴趣的新闻变得非常重要。基于会话的推荐旨在根据用户的行为序列向用户推荐下一个可能感兴趣的项目。但是,现有方法大都忽略了会话内用户阅读行为的随机性和偶然性,难以捕捉用户的主要兴趣,或者将用户会话视为单个序列,忽视了用户兴趣在不同会话之间的演变和关联。文中提出了一种基于会话的双层注意力机制新闻推荐方法,该方法将用户行为序列划分成多个会话:首先使用卷积神经网络对用户点击的新闻特征进行提取;其次在兴趣感知注意力层结合门控循环单元和自注意力机制获取用户在每个会话内的主要兴趣;最后,在会话感知注意力层使用注意力机制建模当前会话和历史会话之间用户兴趣的关联程度以形成最终的用户兴趣表示。通过在真实世界的数据集上与基准方法进行对比实验,结果表明了所提方法在新闻推荐上的有效性。

基于会话推荐的动态层次意图建模

为解决当前基于会话的推荐系统方法在建模用户偏好时存在拍取的用户兴趣表示单一、静态问题,提出了一种动态层次意图学习网络。该网络同时考虑用户的多层意图和动态序列行为,设计了动态卷积神经网络和兴趣聚集门2个模块,并在每层抽取用户的特定粒度意图。此外还提出一个层级意图上下位损失函数,来约束用户意图的层次性。最后使用融合多种粒度的意图会话表示进行推荐。在3个真实数据集上的大量实验表明,模型在准确性和多样性上同时优于其他基于会话的推荐方法。

基于会话的多粒度图神经网络推荐模型

基于会话的推荐旨在根据当前用户的匿名会话的点击序列信息来预测用户的下一次点击行为。现有方法多数都是通过对用户会话点击序列的物品信息进行建模,并学习物品的向量表示,进而进行推荐。而作为一种粗粒度的信息,物品的类别信息对物品有聚合作用,可作为物品信息的重要补充。基于此,提出了基于会话的多粒度图神经网络推荐模型(SRMGNN)。首先,使用图神经网络(GNN)得到会话序列中的物品和物品类别的嵌入向量表示,并使用注意力网络捕捉用户的注意力信息;然后,将赋予了不同注意力权重值的物品和物品类别信息进行融合后,输入到门限循环单元(GRU)里;最后,通过GRU学习会话序列的物品时序信息,并给出推荐列表。在公开的Yoochoose数据集和Diginetica数据集上进行实验,实验结果验证了该模型在增加了物品类别信息后的优势,且实验结果表明了在Precision@20和MRR@20这2种评价指标上,该模型相较于短期注意力/记忆优先级(STAMP)模型、神经注意力(NARM)模型、GRU4REC等8种模型均有更好的效果。

基于会话的推荐方法综述

近年来,基于会话的推荐方法受到学术界的广泛关注。随着深度学习技术的不断发展,不同的模型结构被应用于基于会话的推荐方法中,如循环神经网络、注意力机制、图神经网络等。该文对这些基于会话的推荐模型进行了详细的分析、分类和对比,阐明了这些方法各自解决的问题与存在的不足。具体而言,该文首先通过调研,将基于会话的推荐方法与传统推荐方法进行比较,阐明基于会话的推荐方法的主要优缺点;其次,详细描述了现有的基于会话的推荐模型如何建模会话集中的复杂数据信息,以及这些模型方法可解决的技术问题;最后,该文讨论并指出了在基于会话推荐的领域中存在的挑战和未来研究的方向。

多通道图神经网络的层次化融合模型用于增强会话的推荐

基于会话的推荐系统(SBR)旨在根据用户历史的行为去预测下一个最有可能点击的项目.一方面由于会话推荐序列较短,可用的信息比较少,另一方面会话推荐多为匿名用户,没有丰富的用户信息,导致无法获得用户历史的交互行为或者用户的偏好,这为SBR带来了挑战.现有基于SBR研究方法大都是将会话序列建模为成对的图结构化数据或者建模为超图结构化数据,这种将会话序列建模为单一图的方法无法捕获更完整的项目转化信息,从而降低模型的准确度.为了充分考虑会话之间的相互影响,本文提出了一种多通道图神经网络的层次化融合模型用于增强会话的推荐(HFMC-SBR).模型首先将会话序列建模为全局图、局部图和超图数据,然后分别使用全局编码层和局部编码层以及超图卷机神经网络来捕获节点之间复杂的依赖性关系,学习3种项目嵌入,进而获得全局、局部以及超图项目表示信息,进而引入3层融合模型将三通道融合形成项目表示获得完整的项目转化信息,同时使用注意力机制和反向位置编码对全局上下文和局部上下文信息以及超图通道捕获的会话之间的高阶关系进行有效的融合.实验表明,本文所提出的模型HFMC-SBR,在Tmall、Diginetica和Yoochoose3种数据集上所表现的性能优于基线模型.

基于会话的双视角社交推荐模型

现有的基于会话的社交推荐模型单一的通过图视角学习会话的嵌入表示并做出预测,而忽略了项目之间的顺序依赖性。针对该问题,提出了一种基于会话的双视角社交推荐模型(Dual-view approach for session-based social recommendation,DVSSR)。DVSSR分别从图视角以及行为序列视角学习会话嵌入。在会话图视角中,通过图神经网络传播节点之间的特征信息,通过注意力机制聚合会话嵌入表示;在行为序列视角中,使用自适应旋转位置编码学习项目之间的相对位置关系,通过多头自注意力机制学习序列嵌入表示,将两种视角下的嵌入表示融合并做出推荐。然后,为了确保双重视角下学习到用户偏好的一致性,设计对比学习模块拉近两种视角下学习嵌入表示,并通过破坏生成增强视图与原视图对比学习提高模型的鲁棒性和泛化能力。最后,在三个大型公开数据集上的实验结果验证了DVSSR的有效性和优越性。

考虑用户意图和时间间隔的会话型深度学习推荐系统

基于循环神经网络的会话型推荐系统在建模用户点击行为时,无法同时考虑用户行为之间的时间间隔和用户的主要意图。针对该问题,在现有的基于注意力机制的会话型推荐系统和仅考虑用户行为时间间隔的Time-LSTM的深度学习模型的基础上提出一个新的基于会话的推荐系统TASR。利用Time-LSTM建模时间间隔影响用户行为,并利用注意力机制捕获用户的主要意图。在两个公开数据集上的实验验证了该算法的有效性。

基于会话的结合全局潜在信息的图神经网络推荐模型

针对当前各种基于会话推荐的模型存在对物品间全局关系的获取和使用不足的问题,提出了基于会话的结合全局潜在信息的图神经网络推荐模型。该模型根据全部会话序列构建会话图与全局图,并在全局图中引入了序列中各节点间的间距信息,以及序列节点的相邻节点彼此之间的贡献度,通过模型训练获取最后的会话表征预测下一个交互行为。实验结果表明:在结合图神经网络的推荐算法中充分挖掘全局潜在信息可以有效提高推荐算法的准确率,这一改进对提高基于会话的图神经网络模型的性能有一定指导意义。

基于图表示学习的会话感知推荐模型

根据历史记录预测用户的下一次点击(即基于会话的推荐)是推荐系统中一个重要的子任务.重点研究会话推荐中如何在不牺牲预测准确性的情况下缓解用户的兴趣漂移问题,提高用户满意度.基本思想是从全局统计的角度出发,建立一个用于表示物品先后点击顺序的物品依赖关系图,据此提出一种图表示学习算法,生成可以保留关联物品间复杂关联关系的物品向量表达,最后,基于长短期记忆机制,将物品向量表达作为“固定”输入,从而构建一个可以同时捕捉用户长期兴趣和短期兴趣的会话感知推荐模型.不同于其他相关工作,首次提出将下一次点击预测模型建立在“固定”物品表达的基础上.在公开数据集上的实验结果表明:提出的推荐模型在预测准确性和推荐多样新颖性上的表现优于其他相关方法.

基于多图神经网络的会话感知推荐模型

针对基于会话的推荐算法主要依赖目标会话中的信息,而未充分利用其他会话中的协同信息的问题,提出了一种基于多图神经网络的会话感知推荐(MGSP)模型。首先,根据目标会话与训练集中的所有会话构建物品转移图(ITG)和协同关联图(CRG),并基于这两张图应用图神经网络(GNN)来汇聚节点的信息,得到两类的节点表示;然后,经过双层注意力模块对两类节点表示建模,获取会话级别的表示;最后,使用注意力机制进行信息融合,得到最终的会话表示,并预测下一个交互物品。分别在电商和民航两个场景下进行了对比实验,实验结果表明,相较最优的基准模型,MGSP模型在电商数据集各项指标上的提高超过1个百分点,在民航数据集各项指标上的提高约为3个百分点,验证了MGSP模型的有效性。

会话推荐系统

推荐系统是解决信息过载的一个有效工具,旨在捕获用户的兴趣以提供个性化的推荐.近年来,基于会话的推荐系统的研究和应用在推荐系统研究领域受到越来越多的关注.研究如何利用用户会话信息进一步提高推荐系统的推荐精确度和用户满意度,成为基于会话推荐系统的主要任务.本文从近几年基于会话的推荐系统的研究进展进行综述.对其含义、应用场景、主要算法、数据集以及评价指标等进行了概括、比较和分析.最后,对基于会话的推荐系统有待深入的研究难点和发展趋势进行了展望.

基于时序推理的分层会话感知推荐模型

基于会话的推荐系统,旨在根据匿名会话预测用户下一时刻的行为,这在很多互联网服务中颇为常见。该问题的主要挑战在于,如何模拟目标会话中用户行为的时序关系,并利用有限长度的会话刻画用户的兴趣。现有的方法根据目标会话中邻近物品的时序关系来建模用户的行为模式,并对目标会话中的物品信息进行选择性地保留和利用,进而聚合为会话的整体特征,并将其作为目标会话对应的用户兴趣。为了更好地建模用户行为模式和用户兴趣,文中提出了一种基于时序推理的分层会话感知推荐模型。一方面,不同于以往工作对目标会话中"邻近物品即相关"的假设,文中对目标会话中交互物品之间的依赖关系进行推理,并在会话中学习更灵活的时序关系,以建模用户的行为模式;另一方面,从目标会话中的物品和物品特征两个层次进行物品信息的聚合,实现更细粒度的用户兴趣推断。在两个公共数据集上的实验中,所提模型均优于其他基准模型,验证了其有效性。

基于多模态知识图的用户微行为会话推荐

基于会话推荐的目标是根据给定的会话预测下一个交互项.针对现有基于会话推荐大多只关注某个用户交互项的连续项来捕获相关信息;以及利用知识图谱提供辅助信息的过程中忽略了多模态知识图中各种数据类型的问题.本文提出多模态知识图的用户微行为的会话模型,将用户微行为和多模态知识纳入基于会话推荐的多任务学习中,用户微行为对项目的建模在微观行为级别上,使用一系列项目操作对来充分捕获会话中的用户意图.提出多模态知识图注意力网络,通过使用多模态图注意机制进行信息传播,将得到的聚集嵌入表示进行推荐.考虑候选项目信息来平衡局部和全局表示的门控模块,门控模块利用多层感知器层对候选项目、最近交互项目和每个用户的全局偏好之间的关系进行建模来计算权重.在两个基准数据集的实验结果表明,本文所提模型优于最新基于会话的推荐,有利于提升推荐的准确率.

基于图神经网络和改进自注意网络的会话推荐

基于会话推荐旨在根据用户当前会话和历史会话预测用户的下一次点击。现有的会话推荐系统大多数基于当前会话建立局部偏好来预测用户行为,而低估了会话全局序列蕴含的信息。同时多数推荐系统忽略了会话交互序列的相对位置关系。针对这些问题,提出了一种基于图神经网络与改进自注意力网络融合的会话推荐模型(GNN-SAP)。GNN-SAP通过GNN与注意力机制来提取当前会话节点的局部偏好,通过改进自注意网络来捕获会话节点的全局偏好;同时在会话节点中加入可学习的位置嵌入,来更好地把握用户兴趣变化的过程。最终,通过线性融合全局偏好和局部偏好的方式来预测行为。通过大量的实验验证了GNN-SAP模型在常用的稀疏、密集数据集和不同评价指标上都优于现有的会话推荐方法,并且通过对GNN-SAP不同组件的消融实验验证了通过将基于GNN短期偏好和基于改进自注意力的全局偏好融合的有效性。

基于图神经网络和时间注意力的会话序列推荐

为解决基于循环神经网络及其改进的方法在处理会话序列数据时只考虑序列行为,无法从有限的点击中获得准确的会话向量表示的问题,提出一种基于图神经网络和时间注意力的会话序列推荐算法。结合门控图神经网络和项目浏览时间信息,有效建模会话中所有点击项目之间的复杂转换,更充分利用用户浏览信息,使会话向量表示的计算更准确、区分度更高。实验结果表明,该方法能够提高推荐结果的准确性,更为有效地预测用户的下一次点击。

融合热点与长短期兴趣的图神经网络课程推荐模型

近年来大规模在线开放课程(MOOCs)平台为用户提供了海量的学习资源,亟需一种有效的个性化课程推荐方法帮助用户解决信息过载问题。现有的课程推荐方法忽略了课程间的时序性且无法较好地捕获课程间的长距离依赖关系,同时面临用户学习兴趣表示和冷启动两个关键问题。基于此,提出一种融合热点与长短期兴趣的图神经网络课程推荐模型(GHLS4CR)。该模型设计无环时序图和无环快捷图两种会话图构建方法来缓解现有方法存在的时序信息丢失和不善于捕获长距离依赖的问题;将用户长短期兴趣进行图级表示,并与热门课程信息进行融合实现个性化推荐,同时缓解冷启动问题。通过在学堂在线(XuetangX)公开数据集MOOCCourse上的大量实验表明,GHLS4CR在个性化课程推荐领域优于FISSA和LESSR等主流推荐模型。与次好的LESSR模型相比,Recall@5提高了13.28%,MRR@5提高了15.50%。

主动学习在推荐系统中的应用

近年来,推荐技术迅速发展,日趋成熟。但是,多数推荐算法都建立在一个理想的假设下,即有足够多的样本数据供我们训练出成熟的模型用于预测或推荐。在实际工业化生产中,一方面,大多数的用户和项目只拥有极少量的标签信息;另一方面,即使依靠历史积累形成的数据集,在分布上也十分不均衡,难以学习出可靠的推荐模型。主动学习的思想认为每个项目给系统带来的“好处”是不等的,因而可以通过特定策略选择某些项目,借助用户与项目之间的交互行为来主动获取相关的偏好信息。应用在推荐系统中的主动学习试图选择数量更少、质量更高的样本来训练模型,既能提高用户体验,又能免受数据集不均衡的束缚。文中综述了近年来主动学习在推荐系统中的应用,并对其发展趋势进行分析。

探索式测试在雷达软件中的应用研究

雷达软件测试中常会遇到测试周期短、软件文档滞后甚至缺失等问题。在这种情况下,由于探索式测试方法强调了测试设计和执行的同时性,并弱化了对软件文档的要求,因而能够发挥灵活、快速的优势。文中针对探索式测试和传统脚本测试的优缺点,将会话机制和漫游方法等探索式测试成功实践与经典的脚本式测试流程结合,提出了脚本会话测试模型。通过复用对应类型雷达软件测试历史项目的测试设计,在经典软件测试流程中引入会话机制和漫游方法,并充分利用资深测试人员的经验和组织资产,降低软件需求、设计文档以及测试人员经验和能力对测试的影响,增强测试的适应性,提高测试的效率和质量。

基于全局协作信息的个性化推荐算法

在大数据时代,信息爆炸使得用户难以在互联网平台快速而准确的获取自己想要的信息。因此推荐系统应运而生,本文通过结合图卷积网络提取用户的长期偏好和门控循环单元提取用户的短期兴趣,提出基于全局协作信息的个性化推荐算法,并在音乐数据集last.fm进行实证研究,结果证明本文提出的算法是优于基线方法的。