时间感知的用户长短期兴趣特征分离推荐算法

针对传统推荐算法未充分考虑行为序列间的动态时间间隔、语义不规则以及用户长短期兴趣相互纠缠的问题,提出一种时间感知的用户长短期兴趣特征分离推荐算法。利用用户个性化时间聚合间隔感知和时间位置多头注意力捕获长期兴趣特征,采用动态时间间隔感知和潜在意图注意力的Time-LSTM捕获短期兴趣特征,提出长短期兴趣特征分离获取方法,分别独立捕获两种时间尺度的用户兴趣,通过注意力机制自适应融合长短期兴趣特征,提高用户兴趣特征捕获准确率。实验结果表明,该算法在预测精度指标AUC和GAUC上较对比算法均有提升,消融实验也进一步验证了该算法的必要性。

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%。

融合知识图谱与用户长短期兴趣的新闻推荐

针对现有新闻推荐算法研究中忽略了新闻之间知识层面的联系和用户短期偏好等问题,提出一种融合知识图谱和用户长短期兴趣的新闻推荐模型。模型由新闻语义编码器、用户兴趣编码器和点击预测器3部分组成,在新闻语义编码器中,除使用新闻本身的标题、简介、类别信息以学习新闻语义表示外,还利用新闻标题与简介中提及的知识实体并结合WikiData知识图谱构建知识子图,从知识子图中学习新闻之间潜在知识层面的联系。在用户兴趣编码器中,使用注意力机制从用户历史点击新闻序列中提取用户的长期兴趣,并采用GRU网络学习用户的短期偏好,然后结合用户的长期兴趣和短期偏好构建用户综合兴趣表示。在MIND-small数据集上分别进行了对比实验和消融实验,在反映模型准确率的AUC指标上,KGLS模型比最先进的基线模型提高了2.92%。

融合标签和长短期兴趣的矩阵分解推荐算法

为提高用户兴趣挖掘的准确性,实现更加精准的用户个性化推荐,提出一种融合标签和长短期兴趣的矩阵分解推荐算法。利用用户使用各标签的次数和生命周期挖掘用户的长短期兴趣,计算用户标签偏好值;利用用户标签偏好值比较用户间的兴趣,获得更加精准的用户间兴趣相似度;将用户间兴趣相似度引入矩阵分解模型,预测项目评分并进行推荐。实验结果表明,该算法挖掘出的用户兴趣比其它推荐算法准确。

基于长短期兴趣的深度强化学习推荐模型

现有的基于深度学习的推荐模型将推荐过程视为静态过程,在一段时间内使用固定策略进行推荐,难以动态捕捉用户兴趣变化,影响推荐结果的准确性。本文提出了一个利用深度强化学习动态地对推荐过程进行建模的推荐模型,模型以最大化长远收益为目标,通过分别提取长短期序列中的特征信息对用户兴趣进行描述,根据兴趣变化不断改变推荐策略。在Movielens-1m数据集上的实验结果表明,相较于其他基线模型,本文模型可在precision@10和recall@10上分别提升1.7%~7.6%和1.5%~3.8%。

一种基于用户长短期兴趣的微博推荐方法

针对为微博用户推荐符合其兴趣取向的个性化微博信息的问题,结合LDA主题模型,提出一种基于用户长短期兴趣(LSI)的微博推荐方法.LSI方法首先引入时间函数,推断出用户的稳定兴趣向量,通过对新发布的微博数据的内容进行聚类分组,以用户的稳定兴趣向量筛选与用户最匹配的分组,随后以网格索引的形式对选定的分组中微博进行查询,并与用户的近期兴趣关注点进行匹配和排序,最终形成推荐列表.实验验证了LSI方法较之传统方法更具有效性和高效性.

区分用户长短期兴趣的IBCF改进算法

协同过滤算法已被成功应用于许多领域,但遇到了可扩展性和精度低等问题,目前提出了许多改进算法,但它们均忽视了用户长短期兴趣对推荐的不同影响.针对这个问题,介绍了一种改进的长短期兴趣数据权重策略,它的关键是识别用户长期兴趣,为此提出了基于资源类别相似性和基于访问资源类别出现频率两种识别方法,并详细分析了这两种识别方法的优缺点.实验表明,将上述方法引入基于资源的协同过滤算法中,能提高推荐精度.

结合用户长短期兴趣与事件影响力的事件推荐策略

事件社交网络的快速发展引起的信息过载问题是当前面临的主要挑战,深度学习等技术可从大量的数据中挖掘潜在的关联信息,从而有效应对该问题.同时,有研究表明用户兴趣在长期和短期的时序上具有不同的特征模式,深度挖掘用户的时序特征和兴趣可有效地为用户提供个性化的事件推荐信息.基于此,提出一种将用户长短期兴趣与事件影响力相结合的推荐策略.通过带注意力机制的图神经网络和长短期记忆网络获取用户的长短期兴趣,同时,对候选事件构建针对目标用户的影响力.根据用户长短期兴趣和事件影响力预测目标用户的参与概率,最终通过排序后的参与概率向用户推荐TOP-K兴趣事件.实验结果表明,所提推荐模型在多个指标上均有所改善,其推荐性能优于已有对比模型,具备很好的推荐效果.

基于用户长短期兴趣与知识图卷积网络的推荐

基于知识图谱的推荐可以提高推荐的精确性、多样性和可解释性。结合知识图谱与用户长短期兴趣提出了基于用户长短期兴趣与知识图卷积网络的推荐模型(LSKGCN)。在知识图谱推荐算法的基础上提出了将用户长期兴趣偏好与短期兴趣偏好结合的用户表示方法。根据时间筛选近期历史项目并通过知识图卷积网络得到历史项目的向量表示,通过注意力机制得到短期兴趣表示。根据与所有历史项目的最小欧氏距离得到长期兴趣表示。最后在真实数据集MovieLens-20、Amazon Music、Last.FM上进行测试,验证了该算法的有效性。

NHRec:一种基于长短期兴趣的神经混合推荐模型

用户建模是推荐系统中的一项基本任务,传统的方法使用协同过滤(CF)建模用户的潜在兴趣,但用户的兴趣往往是复杂多样且会随时间而变化,单一的模型无法准确建模用户的兴趣特征,针对此问题,本文提出一种新的自适应融合用户长短期兴趣的混合推荐模型(NHRec).该模型根据用户的历史信息,利用融合注意力机制的门控循环单元(GRU)建模用户的短期兴趣,兼顾时序信息和内容上的相关性,同时采用卷积神经网络(CNN)对用户的全局信息进行提取得到用户长期兴趣,并使用基于时间间隔信息的自适应方式融合两类兴趣进行推荐计算.实验结果表明,提出的推荐算法NHRec相较于目前比较流行的推荐算法表现出更为优越的推荐性能.

融入用户长短期兴趣的推荐算法多样性优化

多数传统的推荐算法在追求准确度时,忽略了多样性也是衡量推荐效果不可或缺的指标之一。而一味地提升多样性又势必会造成准确度的极大损失。由此提出依据用户兴趣度和兴趣变化度,在计算出用户兴趣值的基础上,分析不同用户的兴趣偏好情况。再将用户的长期与短期兴趣相结合进行推荐,保障个性化的同时确定用户的多样化程度,生成最终的推荐列表,很好地平衡了推荐结果的准确度与和多样性。

区分长短期兴趣的用户动态推荐模型研究

本文基于隐形反馈数据集提出区分用户长期兴趣和短期兴趣的推荐模型DYLSI,该模型主要考虑到用户兴趣、项目流行度随时间的变化以及长短期兴趣的不同,针对数据稀疏、用户兴趣刻画不细致等问题提出解决方案。实验结果表明:与传统的遗忘曲线、时间窗口和基于矩阵分解的协同过滤相比,本模型在F1-Score评价指标上展现出更加优越的性能。同时,本文计算用户兴趣偏好时,提取长短期兴趣集合、用户活跃度、项目流行度相关指标,可为用户自动打标签,为后续研究用户兴趣的动态演化过程或者网站功能扩展提供更多选择。

考虑长短期兴趣及其演化的电影个性化动态推荐研究

【目的】提出一种考虑长短期兴趣及其演化的电影个性化动态推荐方法,捕捉用户兴趣动态变化以提高推荐准确度。【方法】首先,基于观影心理动机将用户兴趣分为长期兴趣和短期兴趣,利用兴趣评分与关注频率计算长短期兴趣值;其次,利用时间窗口与遗忘曲线函数获取时间权重,结合短期兴趣值与时间权重拟合短期兴趣的演化规律;最后,将电影评分与长短期兴趣值相融合,构建用户-项目评分矩阵,预测目标用户评分。【结果】以豆瓣网数据集为例,所提方法的评分预测误差与其他推荐方法相比整体偏小,在评估指标MAE(1.0031)和RMSE(1.2160)上表现最优,达到MAE和RMSE最优值时所需邻居数(20)最少。【局限】由于要结合显式反馈信息与隐式反馈信息共同计算长短期兴趣值,因此所提方法的计算复杂度较高。【结论】所提方法能够准确捕捉用户兴趣的动态变化,有效降低评分预测误差,提高推荐准确度。

融合局部最优划分长短期兴趣的序列推荐

序列推荐中划分用户的长期和短期兴趣非常重要。现有的序列推荐模型多简单预设短期兴趣长度,但性能提升不明显。为了更好地建模用户长短期兴趣,本文提出了一种融合局部最优划分长短期兴趣的序列推荐模型,采用了一种局部最优短期兴趣长度算法,自动和自适应搜索最优短期兴趣长度,并设计了MLP层分别对长短期兴趣建模。在三个数据集上进行实验,结果表明运用该模型能够取得与最先进模型具有竞争力的性能。

基于知识图谱的长短期序列推荐算法

现有的部分序列推荐算法较少关注用户短期兴趣随时间变化的问题,从而导致推荐的精度不够理想,且在用户兴趣转变的可解释性上有待提高。据此,提出了一种基于知识图谱的长短期序列推荐算法(KGLSR)。将交互历史划分为长期和短期行为序列后,结合卷积神经网络与注意力机制进行长期兴趣的特征重构,并引入知识图谱与图注意力更新用户的短期偏好,最后实现自适应聚合。经验证,该模型在3类真实场景下的数据集中以HR、MRR和NDCG为评价指标的表现均优于对比实验中的主流基线模型。

融合知识图谱和兴趣偏好的数字文化资源推荐方法

在数字文化资源推荐中,资源与用户兴趣的精准匹配扮演着关键作用。虽然知识图谱有效地解决了传统推荐算法中数据稀疏性与冷启动问题,但知识图谱的静态结构却限制了对用户兴趣动态演化的理解。针对上述问题,文中提出了一种融合知识图谱和兴趣偏好的数字文化资源推荐方法(Knowledge Graph Interest Preferences,KGIP)。该方法首先通过构建知识图谱的嵌入表示用以建立用户与资源之间的关联关系。其次,采用长短期记忆网络模块表征用户的兴趣,并挖掘用户长短期历史行为中的复杂特征,更准确地捕捉用户的兴趣偏好。最后,为了充分利用兴趣偏好以及资源之间的关联信息,将两种特征表示进行融合送入多层感知器学习不同潜在因子之间的非线性结构特征,引入Sigmoid激活函数得到最终预测结果。通过在豆瓣平台和国家文化云平台数据集上进行多次实验验证,结果表明KGIP在数字文化资源推荐中具有良好的表现。

MN-HDRM:长短兴趣多神经网络混合动态推荐模型

动态推荐系统通过学习动态变化的兴趣特征来考虑推荐系统中的动态因素,实现推荐任务随着时间变化而实时更新.该文提出一种携带历史元素的循环神经网络(Recurrent Neural Networks,简称RNN)推荐模型负责用户短期动态兴趣建模,而利用基于前馈神经网络(Feedforward Neural Networks,简称FNN)的推荐模型对用户长期兴趣建模.通过两种神经网络的融合,该文构建了一个兼顾用户短期动态兴趣和稳定长期兴趣的多神经网络混合动态推荐模型(Hybrid Dynamic Recommendation Model based on Multiple Neural Networks,简称MN-HDRM).实验结果表明相对于目前比较流行的多种动态推荐算法:TimeSVD++、基于HMM(Hidden Markov Model)的推荐模型、基于RNN(Recurrent Neural Networks)的推荐模型、基于LSTM(Long Short-Term Memory)的推荐模型和STG(Session-based Temporal Graph)推荐模型,MN-HDRM在精确率、召回率和平均倒数排名等多项评价指标上展现出更加优越的性能.

基于主题模型分析与用户长短兴趣的活动推荐

针对活动社交网络中如何为用户进行个性化活动推荐的问题,结合LDA主题模型分析,提出了一种结合用户长短期兴趣建模的活动推荐方法.算法引入了时间函数与行为权重,根据用户的历史行为记录,分别计算用户的长短兴趣模型,然后采用长兴趣模型匹配活动类别,选取高匹配度的前三类活动后,再利用短兴趣模型对所匹配活动类别中的活动进一步筛选,得到每类活动与用户短兴趣模型匹配度较高的K个活动,最后汇总排序后选取相似值较高的K个活动形成推荐结果.爬取了豆瓣活动网站的实际数据进行实验,结果验证了该算法的有效性和高效性.

刻画长短期用户兴趣的基于会话的推荐系统

―在很多在线推荐系统场景中,用户和系统的交互通常都会按照时间间隔划分成一系列的会话.本文研究了如何在基于会话的推荐系统中对用户兴趣进行建模.现有的工作或者假设会话之间相互独立,忽略了历史会话中包含的长期用户兴趣信息;或者将用户在一个会话中的短期兴趣视为静态不变.这两者都无法充分刻画实际场景中的用户兴趣和行为.我们提出了循环记忆网络RMN,一种刻画了用户长期和短期兴趣的基于会话的推荐系统.RMN基于循环神经网络模型,其核心部分是一个储存了用户长期偏好的兴趣记忆模块.另外,我们在RMN中设计了一个会话内的记忆读取单元和一个会话间的记忆写入单元,这两个单元分别用于刻画短期(即一个会话内)的用户兴趣波动和长期(即跨越多个会话)的用户兴趣转移.我们在真实的电影推荐和职位推荐数据集上进行了实验,实验结果表明RMN相比于现有方法而言取得了显著的性能提升.

基于云联邦的差分隐私保护动态推荐模型

为提高推荐系统的准确性和个性化水平,同时保护用户的隐私,文章提出一种基于云联邦的差分隐私保护动态推荐模型(P2RCF)。该模型采用注意力机制动态调整融合长短期用户兴趣,增强推荐系统的灵活性,同时引入差分隐私技术和云联邦技术保护用户的隐私信息。文章在公共数据集上进行了实验,实验结果表明,该模型可以在保护用户数据隐私的同时提高推荐的准确性和个性化水平。