基于高阶和低阶交互关系的深度学习推荐模型研究

[目的/意义]针对缺乏辅助信息的场景,为更好地挖掘用户偏好,从用户项目间的交互信息中挖掘高阶关系特征,并综合考虑全局和局部层次上的交互关系,提出一种基于高阶和低阶交互关系的深度学习推荐模型(HLRec)。[方法/过程]从原始交互数据中构建超图和二分图两种子图,分别显式建模用户项目间高阶和低阶交互关系;使用关联矩阵表示高阶交互关系特征,异构图神经网络提取低阶交互关系特征;融合高阶与低阶交互关系特征,并输入到深度生成模型变分自编码器(VAE)中学习用户和项目的表示向量;根据模型预测的用户项目间匹配概率完成Top-k个性化推荐。使用公开数据集MovieLens-1M验证提出的模型。[结果/结论]实验结果表明,在Top-20推荐中,与相关基线模型相比,本文模型的Recall、Precision和NDCG分别提高了4.18%、3.20%和3.41%。

深度学习推荐模型中的注意力机制研究综述

探讨注意力机制如何帮助推荐模型动态关注有助于执行当前推荐任务输入的特定部分。分析注意力机制网络框架及其输入数据的权重计算方法,分别从标准注意力机制、协同注意力机制、自注意力机制、层级注意力机制和多头注意力机制这五个角度出发,归纳分析其如何采用关键策略、算法或技术来计算当前输入数据的权重,并通过计算出的权重以使推荐模型可以在推荐任务的每个步骤上专注于输入的必要部分,从而产生更为有效的用户或物品特征表示,进而提高推荐模型的运行效率、泛化能力等。注意力机制可以帮助推荐模型对输入的每个部分赋予不同的权重,抽取出更加关键及重要的信息,使推荐模型做出更加准确的判断,同时不会对推荐模型的计算和存储带来更大的开销。尽管现有融合注意力机制的深度学习推荐模型能在一定程度上满足大部分推荐任务的需求,但可以肯定的是,在特定情况下人类需求的不确定性、信息的爆炸式增长这两个因素,将使得其仍然面临着推荐多样性、推荐可解释性和多种辅助信息融合等方面的挑战。

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。