融合特征交叉与用户历史行为序列的微地图推荐

针对现有微地图(WeMaps)推荐算法未充分挖掘用户与微地图特征,推荐结果准确率较低的问题,提出融合特征交叉与用户历史行为序列的微地图推荐算法。首先,在用户与地图特征交叉过程中通过引入跳跃连接和多头自注意力机制,让不同特征组合能够自动获得权重,并通过在多个子空间下进行特征交叉获得了更丰富的特征组合信息。其次,在用户历史行为序列中引入了交叉注意力机制,捕捉与候选地图相关的兴趣点。最后,融合特征交叉和用户行为序列模块的输出,获得了综合多个维度的推荐结果。在公开数据集Criteo和自制微地图(WeMaps)数据集上的对数损失值分别为0.4461、0.3797,受试者操作特征曲线下面积值(Area Under the ROC Curve,AUC)分别为0.8052、0.7883。相较于本文对比实验中的二阶特征交叉模型,损失值分别降低了1.7%、14.2%,AUC值提高了0.8%、0.4%。相较于本文对比实验中的高阶特征交叉模型,损失值平均降低了1.3%、2.6%,AUC值平均提高了0.6%,0.2%。较低的损失值和较高的AUC值说明模型进行预测时具有较高的准确性和较好的分类能力。实验结果表明,本文算法不但能为用户提供更为准确的推荐结果,也能使推荐结果具备良好的可解释性。

基于深度学习的旅游景点推荐模型研究

针对大数据造成的信息冗余问题,个性化推荐系统的出现解决了这个困扰,它能够有效地挑选和剔除信息,让用户从众多数据中找出对自己有用的内容。文章聚焦于旅游景点推荐,提出了一种深度卷积融合位置信息模型DCNN-MPN。首先,借助CNN的水平与垂直滤波器,从用户的过往行为中提取出具有价值的特性。紧接着,将用多头自我注意的数据融入原记录中。最后,通过计算评估目标对象的相似度。实验数据证实,文章提出的DCNN-MPN模型是行之有效的,它能有效地从用户的历史兴趣序列中提取出每个旅游点的权重以及主要和次要的偏好度,并有助于与当前点击率预测模型进行对比,从而实现精准的预测。