针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Pre...针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Preference,ULSP-SRM)。首先,根据用户的序列中交互物品的类别和时间信息生成用户的动态类别嵌入,进而有效建立物品之间的关联性,并且降低数据的稀疏性;其次,根据用户当前点击物品和最后一项点击的时间间隔信息生成个性化时序位置嵌入矩阵,模拟用户的个性化聚集现象,以更好地反映用户偏好的动态变化;然后,将融合了个性化时序位置嵌入矩阵的用户长期偏好序列以会话为单位输入门控循环单元中,生成用户的长期偏好表示,并通过注意力机制将用户长短期偏好进行融合,生成用户的最终偏好表示,从而达到充分捕获用户偏好的目的;最后,将用户最终偏好表示输入推荐预测层进行下一项推荐预测。在Amazon公开数据集的7个子集上进行实验,采用AUC(Area Under Curve)值、召回率和精确率指标进行综合评估,实验结果表明,所提模型的表现优于其他先进基准模型,有效地提升了推荐性能。展开更多
针对目前团购推荐方法较少结合单个用户与群组用户,并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题,提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时,针对循环神经网络(RNN)的门控循环单元(GRU)...针对目前团购推荐方法较少结合单个用户与群组用户,并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题,提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时,针对循环神经网络(RNN)的门控循环单元(GRU)在团购推荐时没有考虑时序信息的影响,以及用户-商品交互序列中不相关的商品数据会产生噪声等问题,提出了融合时序感知GRU和自注意力的团购推荐模型(RTSA)。首先,通过计算用户购买的任意两个商品之间的个性化时间间隔,构建了时序感知GRU(TGRU)模型;然后,采用自注意力网络研究商品位置及个性化时间间隔的影响;最后,实验结果表明在Amazon Beauty数据集中,RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型(TiSASRec),前10个商品命中率提升了11.73%。对群组用户进行推荐时,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,提出了融合社交网络和分层自注意力的团购推荐模型(SSAGR)。首先,采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣;其次,利用分层自注意力网络将社交网络信息整合到用户表示中,在不同权重下实现群组偏好聚合策略;然后,通过神经协同过滤(NCF)挖掘群组-项目交互,并实现了团购推荐;最后,实验结果表明,在MaFengWo数据集中,SSAGR相较于对群组用户推荐的最优的基线模型AGREE(Attentive Group REcommEndation),前5个商品命中率提升了3.53%。展开更多
文摘针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Preference,ULSP-SRM)。首先,根据用户的序列中交互物品的类别和时间信息生成用户的动态类别嵌入,进而有效建立物品之间的关联性,并且降低数据的稀疏性;其次,根据用户当前点击物品和最后一项点击的时间间隔信息生成个性化时序位置嵌入矩阵,模拟用户的个性化聚集现象,以更好地反映用户偏好的动态变化;然后,将融合了个性化时序位置嵌入矩阵的用户长期偏好序列以会话为单位输入门控循环单元中,生成用户的长期偏好表示,并通过注意力机制将用户长短期偏好进行融合,生成用户的最终偏好表示,从而达到充分捕获用户偏好的目的;最后,将用户最终偏好表示输入推荐预测层进行下一项推荐预测。在Amazon公开数据集的7个子集上进行实验,采用AUC(Area Under Curve)值、召回率和精确率指标进行综合评估,实验结果表明,所提模型的表现优于其他先进基准模型,有效地提升了推荐性能。
文摘针对目前团购推荐方法较少结合单个用户与群组用户,并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题,提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时,针对循环神经网络(RNN)的门控循环单元(GRU)在团购推荐时没有考虑时序信息的影响,以及用户-商品交互序列中不相关的商品数据会产生噪声等问题,提出了融合时序感知GRU和自注意力的团购推荐模型(RTSA)。首先,通过计算用户购买的任意两个商品之间的个性化时间间隔,构建了时序感知GRU(TGRU)模型;然后,采用自注意力网络研究商品位置及个性化时间间隔的影响;最后,实验结果表明在Amazon Beauty数据集中,RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型(TiSASRec),前10个商品命中率提升了11.73%。对群组用户进行推荐时,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,提出了融合社交网络和分层自注意力的团购推荐模型(SSAGR)。首先,采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣;其次,利用分层自注意力网络将社交网络信息整合到用户表示中,在不同权重下实现群组偏好聚合策略;然后,通过神经协同过滤(NCF)挖掘群组-项目交互,并实现了团购推荐;最后,实验结果表明,在MaFengWo数据集中,SSAGR相较于对群组用户推荐的最优的基线模型AGREE(Attentive Group REcommEndation),前5个商品命中率提升了3.53%。