基于改进的深度兴趣网络推荐系统研究

针对推荐系统中用户兴趣度标签消失问题,在排序层提出一种改进的深度兴趣网络模型。首先,将深度兴趣网络模型应用于视频推荐领域,并在改进的模型中加入平衡因子,有效地解决了在训练过程中用户兴趣度标签消失问题。其次针对推荐系统整体召回率问题,在召回层提出一种混合推荐模型。使用Item2vec模型和贝叶斯个性化排序模型组合成一种混合推荐模型。实验结果显示:改进后的深度兴趣网络和混合模型应用在视频推荐系统中很好地提高了推荐效果。

基于LightGBM与深度兴趣网络Stacking融合模型的商品推荐算法

随着电子商务平台的迅速发展,如何提高用户对平台的忠诚度并稳定客流,进而调整平台运营方向以获得持续的收益,成为当前电子商务平台急需解决的关键问题。常见于电商平台的推荐系统利用用户的购买、收藏、浏览等数据,采用特定的算法向用户推荐商品。本研究提出了一种基于LightGBM与深度兴趣网络Stacking融合模型的商品推荐的新解决方案。该模型根据用户过去一年的交易记录提取相应的商品特征和用户特征,整合协同过滤的多路召回策略与这些特征,并将其作为模型的输入,以预测下单客户可能购买的产品并进行商品推荐。研究结果表明,在测试数据上,相对于其他常用推荐算法,本文提出的模型具有更高的准确性、更快的预测速度和更好的推荐效果。这些研究结果为电子商务企业提供了改进服务的契机,为相关研究和实践提供了有益的参考和借鉴,为商品推荐问题的解决提供了有价值的参考和帮助。

基于深度学习推荐模型的电力市场售电套餐推荐方法

针对售电公司如何在海量售电套餐中精准地为用户进行产品推荐,以及电力用户如何在众多的产品中挑选出符合自身需求套餐的双难问题,提出了一种基于深度学习的深度兴趣进化网络(deep interest evolution network,DIEN)售电套餐推荐算法。首先,将多种推荐模型进行比较,验证DIEN的表现;其次,对模型中的兴趣进化层结构与超参数进行解析;然后,针对DIEN模型在电力市场应用领域的“长尾效应”,在原始模型的兴趣提取层与用户向量之间引入两种门控机制;最后,进行算例分析,结果表明所提方法可在现有基础上提高电力用户的用电套餐适配率,提升电力公司的市场竞争力与电力公司和用户的双向收益。

一种融合表征的农产品推荐算法

针对农产品电商平台,产品季节性强、地域性强、用户行为多变,导致推荐效果不理想的问题,提出了一种融合表征的农产品推荐算法。首先,用长短期记忆网络和注意力网络相结合组成深度兴趣网络,以此来捕获物品的潜在特征;其次,构建用户-商品二部图;再次,利用图神经网络提取图数据的连接信息对每个节点的影响,并更新节点的嵌入式表示,以获取用户的潜在特征;最后,将两种潜在特征通过多层感知机得到待推荐农产品的购买概率,进一步提取和利用了用户行为序列中的用户深度兴趣,并将其融合深度兴趣网络进行推荐。实验结果表明:融合表征的农产品推荐算法相较于原有模型AUC指标提高9%以上,准确率和召回率提高约6%以上;相较于不考虑节点嵌入式表示的情况,AUC和准确率、召回率也均有提高。

基于融合深度兴趣进化单元的DeepFM边缘主动缓存模型研究

进入5G时代,数据流量激增,给现有的无线网络通信体系结构和技术带来了挑战。相较于追求更有效率的频谱或布署更多基站的方法而言,边缘主动缓存技术通过拉近请求内容与用户之间的距离,减少请求内容在通信网络中传输的代价消耗,使用户获得更快的响应速度,提高了用户体验。但受限于边缘基站缓存空间及用户请求内容的多样性,边缘主动缓存内容的精确度以及用户的体验还有很大的提升空间,因此提出一种融合深度兴趣进化单元的DeepFM边缘缓存策略,利用兴趣进化单元对用户兴趣变化过程建模,挖掘用户隐藏状态,最后通过DeepFM模型对用户高阶特征及交叉特征影响情况进行学习,最终获得符合用户兴趣偏好的未来可能请求的缓存内容集合。实验表明:该方法能够有效减少网络拥塞并提高用户的使用体验度。

基于深度学习的演化知识追踪模型

知识追踪旨在根据学生历史学习记录实时追踪学生的知识水平变化,以预测学生在目标试题上的表现,从而推动学生知识状态自动评估、学习策略个性规划、试题资源精准推荐等智慧教育愿景的实现。为了准确挖掘学生潜在的知识掌握情况,并考虑试题顺序对预测效果的影响,文章提出一种基于深度学习的演化知识追踪模型(简称深度演化知识追踪模型)。该模型通过引入深度兴趣演化网络来动态感知学生知识水平变化,推断学生的知识状态及演化规律,从而预测学生在目标试题上的表现。实验证明,该模型有效地提高了未来试题表现的预测准确度,在精准挖掘学生知识状态的同时,能够动态感知其知识的演化轨迹。

基于信息融合的商品推荐算法设计与实现

在大数据时代,推荐系统提高了信息获取和分发的效率,但现有的推荐方法和效果还有很大的提升空间,需要更多的投入和研究。文章在召回阶段使用多路融合,融合后的列表对ItemCF算法和FM列表中的项目得分进行平均加权,使得模型在候选集数量N相同的情况下,获得了比单一召回方式更高的召回率。在排序阶段使用优化过的深度兴趣网络(Deep Interest Network,DIN)模型,对比其他模型,其曲线下面积(Area Under Curve,AUC)指标显著提升,验证了优化过的DIN模型性能的优越性。

引入激活加权策略的分组排序学习方法

排序学习(LtR)将有监督机器学习技术(SML)用于解决排序问题,旨在给出输入文档列表的相关度更优化的排序结果。此前关于深度排序模型的研究,对于列表内文档的相关度计算彼此独立,缺乏考虑文档之间的相互作用。近年来一些新方法致力于挖掘文档之间的相互影响,如分组评分法(GSF),通过学习多元变量评分函数来联合判断文档相关性,但大多忽略了文档间相互影响的差异性,同时增加了很大的计算代价。针对此问题,提出了一种带权重的分组深度排序模型(W-GSF)。该方法借鉴推荐领域的深度兴趣网络,引入其根据候选商品调整历史行为序列权重的思想,在排序学习中多元评分法基础上,以多层前馈神经网络为主体结构,并在输入端加入激活单元,利用神经网络自适应学习调整输入的多元变量的权重,来挖掘交叉文档关系的差异性。在公共基准数据集MSLR上的实验验证了该方法的有效性,相比基线排序模型,激活策略的引入带来了排序指标上的明显提升,同时相对于同等效果的排序方法计算量大幅降低。