基于平滑图掩码编码器的顺序推荐模型

针对现有顺序推荐模型在处理推荐任务时由于数据集标签稀缺和用户交互数据噪声导致性能降低的问题,提出基于平滑图掩码编码器的顺序推荐模型(Smoothing Graph Masked Encoder Recommender System,SGMERec).首先,设计数据平滑编码器处理数据,提升数据质量,降低极端值和数据噪声的负面影响.然后,设计图掩码编码器,自适应提取全局项目的转换信息,构造关系图帮助模型补全缺失的标签数据,提高模型对于标签稀缺问题的应对能力.最后,运用批标准化,归一化每个神经网络层的输入分布,确保每层输入的分布相对稳定,降低用户序列的稀缺标签比例.在3个真实数据集上的实验表明,SGMERec具有一定的性能提升.

基于深度学习的Top-N顺序推荐

随着大数据的到来,网络中出现众多繁杂的信息,推荐系统可以更快、更好地筛选最符合人们需求的内容,节省大量时间。深度学习的一系列方法在生活的各个方面随处可见。采取基于深度学习的融合算法,利用卷积神经网络获取用户的序列特征,通过潜因子模型获取用户特定特征。并提出混合模型NN_LF,在时间和潜在空间内将近期项目序列嵌入到“图像”中,使用卷积变换学习序列模式作为图像的局部特征。这种方法为捕获一般偏好和顺序模式提供了一种统一又灵活的网络结构。以几种常见的评价指标方法为依据,在真实的旅游景区数据集上进行实验,结果表明本文的模型达到了良好的推荐性能。

顺序推荐系统的可解释性

本文以护肤品种类搭配方案为研究背景,着重关注相对顺序之间有着较强约束关系的物品的搭配。我们通过对规则推理和约束信息的设计,利用知识图谱的可推理性和可解释性,结合约束关系重点研究物品之间搭配的可行性,对可行性结果给出解释性理由。

考虑需求的出租车收益路线推荐

当前研究忽略出租车接载下一个乘客获得的收益,并且会为出租车推荐具有较低接客概率的路线.针对以上问题,基于移动顺序推荐对出租车路线推荐问题进行建模,提出考虑出租车下一个乘客收益的出租车收益路线推荐(PMSR)的改进模型.考虑到上客点的需求大小对出租车在上客点成功接载乘客的可能性的影响,提出考虑需求的出租车收益路线推荐(PMSR-D)的改进模型.基于上海市出租车GPS轨迹数据,采用带噪声的基于密度的空间聚类(DBSCAN)算法、模拟退火算法和贪心算法对PMSR和PMSR-D模型进行验证.结果表明,PMSR模型推荐路线的上客点的最低预期票价较高,其接客概率与潜在巡航距离(PTD)、基于时空矩阵的路线推荐(RTS)模型相比在7:00—10:00和13:00—16:00分别平均增加了148.2%、253.0%和88.1%、48.0%,表明PMSR模型能够为出租车推荐预期票价较高且接客概率更大的路线,优于PTD和RTS模型.与PMSR模型相比,PMSR-D模型在7:00—10:00和13:00—16:00分别增加了125和20个潜在的乘客需求,验证了PMSR-D模型的有效性.