基于图注意力的神经协同过滤社会推荐算法

互联网技术的发展使得信息过载问题日趋严重,为了解决传统推荐技术的数据稀疏和冷启动问题,社会推荐逐渐成为近年来的研究热点。图神经网络(GNNs)作为一种能够自然整合节点信息和拓扑结构的网络,为改进社会推荐提供了巨大的潜力。但基于图神经网络的社会推荐还存在许多挑战,例如,如何从用户项目交互图和社交网络图中学习准确的用户和项目的潜在因子表示;简单映射用户和项目的固有属性来获取嵌入,但用户项目交互的关键协作信号未被学习。为了学习更准确的潜在因子表示,捕获关键的协作信号,提升推荐系统的性能,提出了基于图注意力的神经协同过滤社会推荐模型(AGNN-SR)。该模型基于用户项目交互图和社交网络图,通过多头注意力机制多角度地学习用户和项目的潜在因子;此外,图神经网络利用高阶连通性递归地在图上传播嵌入信息,显式编码协作信号,探索用户和项目之间的深层复杂的交互关系。最后,在3个真实数据集上验证了AGNN-SR模型的有效性。

基于多属性融合的神经协同过滤电影推荐模型

随着科技和信息技术的发展,“信息过载”使得用户很难在大量电影资源中快速、准确获取自己想要的内容,成为影响用户体验的主要制约因素。因此,个性化的电影推荐成为新时代研究的重点。深度学习的空前发展已经在多个领域取得了很大的成功。为了缓解推荐算法的数据稀疏问题,本文将多种属性信息整合到用户和物品的特征表示中,以获得用户和物品的完整初级特征表示。此外,使用注意机制来区分这些属性的重要性,然后采用拼接和外积两种融合策略建模用户–电影的潜在特征,并分别应用多层感知器和卷积神经网络来充分学习用户与电影之间的非线性交互关系。在电影数据集MovieLens 1M上的实验表明:与传统的DeepCF模型相比,本文提出的模型在命中率和归一化折损累计增益上分别提高了4.19%和0.38%。

基于改进神经协同过滤模型的高校选课推荐研究

目前高校线上选课大多不具有个性化推荐功能,导致学生学习效率低下,间接造成教学资源浪费。针对以上问题,基于某高校学生实际选课数据,提出一种改进后的神经协同过滤模型。首先,由于神经协同过滤模型是基于协同过滤思想进行构造,并未引入其他更多特征,所以通过融合上下文信息的方式,提升推荐准确度;其次,广义矩阵分解模型作为浅层模型,表达能力较差,所以通过将广义矩阵分解模型与多层感知机进行串联,赋予模型更深层的网络,增强模型的表达能力;最后,在某高校选课数据集上进行对比实验,验证了模型的可行性和有效性。

FastGR:一种基于神经协同过滤的群组推荐算法

群组推荐问题的关键在于如何对组内各成员不同的偏好进行融合来适应所有成员的需求.基于神经协同过滤框架和注意力机制的群组推荐算法从数据中动态地学习融合策略,相较于传统基于预定义策略的方法明显提升了推荐效果,但模型训练及推理时间较长.本文在此基础上重构了群组偏好融合模块,引入卷积神经网络来提取群组成员的特征,从而实现偏好融合:在公开数据集上的实验表明,本文算法比现有的算法具有更优的精度,训练速度提高了14倍.

神经协同过滤智能商业选址方法

为了挖掘商店类别与地址之间的关系,基于神经协同过滤(NCF)框架提出商业选址神经协同过滤方法——NeuMF-RS.采用嵌入方式分别得到商店类别和地址的表示,利用矩阵分解的思想学习商店类别与地址之间的线性关系;利用深度学习多层感知机学习商店类别与地址之间非线性、深层次的关系;结合这2种方法学习到的关系得到最终结果.利用北京市的餐馆数据与POI数据来评价NeuMF-RS方法的性能,结果表明,NeuMF-RS相对于其他先进的深度学习方法和协同过滤方法在商业选址方面具有更好的性能,更能兼顾线性与非线性关系.

基于改进神经协同过滤模型的电影推荐系统

传统的矩阵分解法只能简单提取低阶信息,特征组合单一无法挖掘更多隐含信息,且特征组合权重相同无法满足个性化推荐。通过改进神经协同过滤模型,利用多层感知机的非线性特征处理提取隐含高阶特征信息以及贝叶斯个性化排序算法提取排序信息,使推荐更加精准,推荐得分结合电影流行度和电影类型因子进行微调。通过该推荐模型实现了个性化电影推荐系统,推荐命中率和归一化折扣累积增益得到显著提高。

融合长短期记忆网络与广义矩阵分解的神经协同过滤模型

在实现推荐的过程中,用户对项目的浏览和关注的时间顺序是推荐算法中重要的数据信息,同一用户在不同时间对项目的喜好不同对推荐结果也有着一定的影响.本文在神经协同过滤模型的框架下,提出将长短期记忆网络和广义矩阵分解进行融合,同时捕捉用户的短期偏好和长期偏好.利用长短期记忆网络对时序数据的强拟合能力,学习用户的短期偏好信息,捕捉序列的长依赖关系,通过广义矩阵分解学习用户的长期偏好信息,从而优化推荐算法,提高推荐性能.通过MovieLens-1M数据集进行试验后,结果表明,本文提出的新模型在收敛速度和推荐性能方面都有提升.

三通道神经协同过滤算法

传统的神经协同过滤算法在隐式反馈数据集上对用户和项目建模,由于隐式反馈数据天然带有很强的噪音,这给模型的学习带来了挑战.为了缓解该问题,文中提出了一种基于三通道的神经协同过滤算法,该方法使用自编码器去挖掘用户和项目的特征向量,然后结合用户和项目的辅助信息一起通过多层感知机去学习特征向量不同维度之间的高阶交互关系,并将其与传统的神经协同过滤算法融合,以此来提高模型的泛化能力和命中率.此外,在隐式反馈数据集上进行负采样不易且采样结果会极大程度影响模型的表现,文中采用一种基于传统矩阵分解的概率负采样方法克服这个问题,提高了模型的鲁棒性.本文在公开数据集MovieLens上进行了大量实验,实验结果表明基于本文提出的算法比其他先进算法有更优的表现.

基于神经协同过滤的个性化商品推荐方法

针对现有协同过滤方法对用户与商品的潜在信息挖掘不全面的问题,提出了一种基于多特征融合和外积神经协同过滤的个性化商品推荐方法。该方法分别采用多层感知器和卷积神经网络提取用户与商品之间的交互关系矩阵,充分利用拼接方法和外积运算的互补性,提高了对用户与商品关系的表征能力。利用外积神经协同过滤模型提升模型稳定性和拓展性。亚马逊公开数据集的测试结果表明,与原有单一特征的推荐模型相比,多特征融合能够有效提高商品评分预测性能,且推荐性能优于现有协同过滤方法。

危险货物道路运输个性化路径推荐方法

为加强危险货物道路运输风险源头管控,以危货运输车辆行驶轨迹数据为分析对象,研究安全、经济且符合企业自身偏好的道路运输路径优化选择问题,提出了基于偏好、上下文感知的危险货物道路运输个性化路径推荐方法。首先对危货运输车辆历史轨迹数据进行处理,通过提取路径安全和经济性特征学习危货运输企业的路径偏好,在此基础上,综合考虑偏好向量间的距离和方向相似性,提出了改进的K-means偏好聚类算法(improved K-means clustering algorithm based on distance and direction similarity measurement,DDM-K-means),获取了路径偏好类别;其次,依据运输任务执行的时间、天气、运距三方面信息,建立了路径上下文向量,并运用Rock聚类算法划分路径的上下文类别,与路径偏好类别共同构成路径信息;最终,基于神经协同过滤提出了危险货物道路运输路径选择优化算法(optimal route selection algorithm based on neural collaborative filtering,NCF-ORS),得到了危货运输企业对各路径类别的偏好排序,从而为企业推荐最优路径。与基线算法比较分析,结果表明危险货物道路运输个性化路径推荐方法<DDM-K-means,NCF-ORS>,平均绝对百分比误差最低。研究结果有助于挖掘车辆轨迹数据中更多的潜在信息,提升个性化路径推荐能力,可为危货运输企业的选线问题提供决策支持。

一种基于变分推断的可评判推荐算法

随着互联网时代的不断发展,互联网上的信息量不断增多,“信息过载”等相关问题愈发严重,从而导致用户很难快速地获取到有用的信息,因此推荐系统应运而生。推荐系统可以预测用户的需求并推荐给用户其最可能喜欢的内容,来缓解人们从海量信息中做出选择的烦恼。推荐算法是推荐系统的核心,它完全可以决定一个推荐系统的性能。推荐准确度及可解释性是推荐算法目前面临的两大难题。可评判推荐算法是对话推荐算法的一种,在预测出项目的同时,也及时给出推荐项目的理由,并且为用户提供一个重新推荐的机会,用户通过对解释项进行评判来使推荐系统重新预测出商品,可有效解决上述两个问题。该文首先基于变分推断与神经协同过滤相结合的思想,对算法和模型进行了形式化的定义和理论推导,并且从概率的角度出发使用贝叶斯神经网络实现了该模型。通过与其他可评判推荐算法进行实验对比,证实了该模型的许多推荐指标已经达到了目前最先进的水平。

融合社交网络和分层自注意力的团购推荐算法

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,提出融合社交网络和分层自注意力的团购推荐算法SSAGR。采用循环神经网络,捕捉团购中用户随时间变化的复杂潜在兴趣;利用用户级和群组级自注意力网络,将社交网络信息整合到用户表示中,实现不同权重下的群组偏好聚合策略;通过神经协同过滤NCF,挖掘群组-项目交互,完成团购推荐。在MaFengWo和Douban Book数据集上的实验结果表明,SSAGR方法相较对比算法具有更好的群组推荐效果。

用于个性化推荐的条件卷积隐因子模型

在推荐系统中,传统的矩阵分解无法提取用户和物品特征,而神经协同过滤(NCF)在分解模型中增加多层感知器,但不能有效利用用户和物品ID之外的辅助信息.为此,提出一种新的条件卷积方法.通过将物品特征作为输入,将用户特征作为卷积核,达到权值不共享的目的,使得条件卷积具有更强的特征提取和组合能力以及不增加参数量的特性.在此基础上,条件卷积能够融入多种辅助信息进行个性化推荐.实验结果表明,与NCF模型相比,该方法在隐性反馈数据中推荐命中率提升3.11%,在显性反馈数据中评分预测误差降低2.47%.

基于深度学习的多元信息嵌入推荐模型

传统的矩阵分解法只能简单提取低阶信息,特征组合单一,无法挖掘更多隐含信息。依赖稀疏的评分表已经无法满足个性化推荐。MovieLens数据集是研究推荐系统的经典数据集。通过改进神经协同过滤模型,使用多个嵌入层对MovieLens数据集所有信息进行嵌入分析,充分挖掘隐含信息,使得推荐算法更有实用意义。通过在MovieLens-100k和MovieLens-1m上设置多组对照实验表明,该改进模型不仅学习了更多信息,而且与神经协同过滤模型相比,其错误率显著减小。