基于多特征融合的会话推荐算法研究
这是一篇关于基于会话的推荐,多图神经网络,注意力机制,个性化偏好,协同信息,物品种类的论文, 主要内容为随着互联网的发展、因特网的普及,人们普遍面临的问题是信息过载。为了缓解信息过载,推荐系统应运而生。推荐系统的存在大大降低了用户获取有效信息的成本,提高了用户的上网体验。一般来说,推荐系统根据用户的历史行为挖掘用户的偏好,然后从海量的信息与资源中发现用户可能感兴趣的事物并产生推荐。然而在实际应用中,对许多身份未知的用户或新用户,他们的历史行为是不可知的,仅能根据用户的当前行为产生推荐,为了解决这个问题,就出现了基于会话的推荐。目前基于会话的推荐已成为工业界以及学术界的热点问题。因此,本文基于前沿深度学习技术开展了基于会话的推荐问题的研究,完成的主要工作如下:(1)针对基于会话的推荐算法主要依赖目标会话中有限的信息,而未充分利用物品间的全局信息的问题,提出了一种基于多图神经网络的会话感知推荐模型(Multi-Graph Neural Network-based Session Perception Recommendation Model,MGNN-SPRM)。首先,根据目标会话与训练集中的所有会话构建物品转移图和协同关联图,基于两张图应用图神经网络,汇聚节点的信息,得到两类节点表示,分别表示用户的个性化偏好信息和协同偏好信息;然后,经过双层注意力模块对两类节点表示建模,第一层注意力机制用于捕获个性化偏好与协同信息间的依赖关系,第二层注意力机制为会话中的每个物品表示分配权重,得到会话级别的表示;最后,使用注意力机制进行信息融合并预测下一个交互物品。(2)为进一步弥补目标会话中信息有限的问题,本文引入物品种类信息,在MGNN-SPRM的基础上提出基于物品种类信息增强的会话感知推荐模型(Category Message Enhancing-based Session Perception Recommendation Model,CME-SPRM。根据当前会话从协同关联图中抽取子图时,利用物品种类信息抽取同种类的节点并将其扩充到子图中,相当于利用物品种类信息引入了更多的全局信息。另外,考虑到引入的会话以外的节点对目标会话具有不同的重要性,通过图注意力网络对子图进行建模,自适应地选择重要的全局信息。(3)在电商领域中两个公开数据集上进行了实验,实验结果表明,所提两个模型在各项指标均优于前沿基准模型。CME-SPRM模型由于有效地利用了物品种类信息,相比MGNN-SPRM获得了更好的性能。
基于知识图谱的全局会话推荐模型研究
这是一篇关于基于会话的推荐,知识图谱,异构性,图神经网络,注意力机制的论文, 主要内容为推荐系统在减轻信息的爆炸性增长问题方面起着关键作用。其中因基于会话的推荐具有捕获用户动态兴趣演变的能力,已成为帮助人们找到可能感兴趣项目的重要方法。将知识图谱作为辅助信息可以很好地增强推荐。在目前的基于知识图谱的会话推荐中存在以下两点问题,(1)将知识图谱作为同构信息网络进行处理,丢失了知识图谱的异构性与丰富的语义信息。(2)没有考虑将知识图谱与会话中交互项目顺序之间的关联,不能深入挖掘项目间的复杂交互关系。针对以上问题,本文重点围绕会话推荐中知识图谱的异构性处理,以及会话中项目的复杂转换关系展开研究。首先,通过对推荐中物品画像及人物画像进行分析,提出基于知识图谱的全局会话框架,将知识图谱作为辅助信息,并利用会话间复杂的项目转换增强对物品画像的刻画,通过考虑项目间的交互顺序对人物动态画像进行刻画。其次,针对会话推荐中项目的知识图谱信息处理的问题,提出一种知识图谱异构性的项目嵌入算法。该算法将知识图谱进行筛选后引入交互项目中,通过将知识图谱中的异构实体投影到同一个实体空间中,并应用图卷积网络进行聚合投影实体计算实体的嵌入,挖掘知识图谱异构实体对推荐项目的丰富语义信息。再次,针对会话中项目的复杂转换关系问题,提出一种会话项目嵌入算法,通过构建全局图获取会话推荐中项目间的关联,与知识图谱信息进行结合得到项目信息。同时设计一种基于知识图谱的全局会话推荐算法,通过获取用户的统一表示,进而预测下一次的点击项目。最后,在Movie Lens公开数据集上对本文提出的模型进行验证,采用MRR以及Recall两个指标进行评估推荐性能。
基于知识图谱的全局会话推荐模型研究
这是一篇关于基于会话的推荐,知识图谱,异构性,图神经网络,注意力机制的论文, 主要内容为推荐系统在减轻信息的爆炸性增长问题方面起着关键作用。其中因基于会话的推荐具有捕获用户动态兴趣演变的能力,已成为帮助人们找到可能感兴趣项目的重要方法。将知识图谱作为辅助信息可以很好地增强推荐。在目前的基于知识图谱的会话推荐中存在以下两点问题,(1)将知识图谱作为同构信息网络进行处理,丢失了知识图谱的异构性与丰富的语义信息。(2)没有考虑将知识图谱与会话中交互项目顺序之间的关联,不能深入挖掘项目间的复杂交互关系。针对以上问题,本文重点围绕会话推荐中知识图谱的异构性处理,以及会话中项目的复杂转换关系展开研究。首先,通过对推荐中物品画像及人物画像进行分析,提出基于知识图谱的全局会话框架,将知识图谱作为辅助信息,并利用会话间复杂的项目转换增强对物品画像的刻画,通过考虑项目间的交互顺序对人物动态画像进行刻画。其次,针对会话推荐中项目的知识图谱信息处理的问题,提出一种知识图谱异构性的项目嵌入算法。该算法将知识图谱进行筛选后引入交互项目中,通过将知识图谱中的异构实体投影到同一个实体空间中,并应用图卷积网络进行聚合投影实体计算实体的嵌入,挖掘知识图谱异构实体对推荐项目的丰富语义信息。再次,针对会话中项目的复杂转换关系问题,提出一种会话项目嵌入算法,通过构建全局图获取会话推荐中项目间的关联,与知识图谱信息进行结合得到项目信息。同时设计一种基于知识图谱的全局会话推荐算法,通过获取用户的统一表示,进而预测下一次的点击项目。最后,在Movie Lens公开数据集上对本文提出的模型进行验证,采用MRR以及Recall两个指标进行评估推荐性能。
基于深度学习的会话型推荐系统研究
这是一篇关于基于会话的推荐,序列化点击行为,循环神经网络,注意力机制的论文, 主要内容为推荐系统是大数据时代背景下不可或缺的重要应用之一。在大数据时代,信息过载是一种常态。在此背景下,无论是信息提供者还是信息使用者都面临着诸多难题:作为信息提供者,要将所存储的海量信息有针对性地展示给合适的受众以提高相关信息的关注程度,是项十分困难的任务;而作为信息使用者,如何从互联网海量数据中找到自己所需要的信息,同样也是件非常困难的事情。推荐系统的出现正是为了解决这些难题,它的主要作用体现在能够帮助用户从海量信息中更加快速地找到他们所感兴趣的内容。因此,当互联网信息资源越庞大时,推荐系统存在的意义就越大。推荐系统的核心是推荐算法。在常用的推荐系统算法中,通常假设与用户相关的历史记录都是可用的,例如用户的身份标识、用户所点击的条目以及用户的浏览行为等等。但是实际情况却不尽如此,在很多情况下,用户的身份标识对推荐算法并不可见,此时传统的基于特定用户身份的个性化推荐算法将不再适用。一种可替代的推荐思想叫做基于会话的推荐,给定一个电商网站的应用场景,在此场景中,用户的身份信息是不可获取的,基于会话推荐算法的目标就是只根据已有的会话信息(通常是用户在当前会话中的点击序列)为当前用户生成推荐商品列表。现有的解决基于会话推荐问题的主流算法是使用门限控制循环单元为基本结构的循环神经网络来进行建模。仍以电商网站应用场景为例,这类模型将当前用户点击的商品序列当作模型的初始化输入,通过模型生成所推荐的商品列表,接下来用户可能会点击推荐列表中的某一个商品,然后这个被点击的商品会再次被反馈回模型作为循环神经网络的下一个输入并产生商品推荐列表,如此循环直至满足用户需要或用户主动停止浏览为止。虽然现有的研究工作提出的基于循环神经网络的模型比多数传统的解决会话推荐的方法(如商品的k最近邻推荐算法、马尔科夫链算法等),在Recall和MRR两种推荐任务的主要评价指标上有着十分显著的提高,但是这些模型在建模的过程中只考虑了用户的序列化点击行为,而用户在当前会话中所体现出来的主要意图并没有被强调出来。在本文中,为了充分利用当前会话中所蕴含的信息,同时建模用户的序列化点击行为和用户主要意图,我们提出了一种新的神经网络模型——神经注意力推荐机。具体来说,我们首先利用一个结合注意力机制的混合编码器在建模用户序列化点击行为的同时,也捕捉用户在当前会话中的主要意图,将这两部分以不同的特征向量表示出来,再通过线性结合的方式将这两部分的特征拼接为一个统一的会话特征表示。然后,基于这个统一的会话特征表示,我们再使用一种bi-linear的匹配机制为每个候选物品计算出一个推荐打分值,从中选出分值最高的前k个物品作为模型的推荐结果。最后,通过共同学习物品和会话表示的方式来训练神经注意力推荐机中的各项参数。实验方面,我们在两个标准数据集上与已有的算法进行了详细的对比实验。结果表明,在不同数据集上,我们的神经注意力推荐机模型比之前绝大多数的会话推荐算法在Recall@20和MRR@20两个评价指标上都有明显提升。此外,我们还进一步发现在长会话上神经注意力推荐机的表现比短会话上要更好,因为一般来说长会话中会包含更多的用户意图信息,这也再次印证了同时建模当前用户序列化点击行为和主要意图在会话推荐任务上的优势。
融合注意力机制的RNN会话推荐算法研究
这是一篇关于基于会话的推荐,循环神经网络,卷积神经网络,Attention机制,FM模型的论文, 主要内容为推荐系统是计算机算法领域的重要技术,在现今大数据时代的背景下,推荐系统在各个领域中的应用也越来越广泛,推荐系统也是许多互联网服务的核心环节,电商、新闻、短视频等领域,都离不开相关的推荐系统。推荐系统的核心是推荐算法,相较于基于流行度的推荐算法,千人千面的个性化推荐算法可以有效的提升用户的使用体验,同时为提供服务的商家带来明显的收益。基于会话的推荐场景是移动互联网里一个常见的推荐场景,用户在每次产生浏览行为时会生成一个会话,会话中常见的信息是用户的浏览和点击商品记录,推荐系统会根据这些信息,给正在浏览的用户生成推荐的商品列表。因为利用了用户的实时浏览记录,基于会话的推荐可以更好的捕捉用户短期内的行为偏好信息,同时还可以结合用户的长期历史记录来辅助训练模型,融合用户的长短期行为偏好共同进行推荐,进一步提升推荐结果的准确率。现有基于会话场景的主流推荐算法通常使用以长短期记忆网络或者门控循环单元为基本结构的循环神经网络来建模会话中的用户浏览记录,或是使用自然语言处理领域中的注意力机制来建模用户在会话内的短期行为记录,这些模型最初被设计用于提取文本内部词语之间的关联性信息,与实际的会话推荐场景存在一定的差异性。对于用户的长期历史点击记录,其内部商品之间存在着除顺序模式以外的多种序列模式,针对这一特性,本文设计了一种RCNN的网络结构来建模序列内部的多种序列模式,该模型利用多尺度的CNN网络提取序列内部商品的联合模式和跳跃模式,再利用RNN网络学习序列中的顺序模式,克服了依赖单一循环神经网络编码结构的局限性。对于用户的短期会话记录,为了更好的利用序列内部的相关性信息,本文提出了一种融合FM模型的注意力机制框架——AttentionFM模型。该模型将Transformer模型中的Self-Attention机制与点击率预估领域的经典模型FM模型相结合,利用FM模型中特征交叉的思想来计算会话内商品之间不同维度上的相关性信息,再将这些相关性信息组合起来。最后,为了解决短会话中商品序列长度较短,用户偏好信息不足的问题,本文将提取用户长期历史偏好的RCNN模型与提取会话内短期行为偏好的AttentionFM模型融合在统一的模型框架中,利用用户的长期历史信息来辅助模型的训练,提出了一种融合用户长短期行为偏好的混合推荐模型框架。为了验证本文提出算法的有效性,最后将提出的模型框架在两个公开数据集上与多种主流推荐算法进行了对比实验,实验结果表明本文提出的算法均在一定程度上提升了推荐系统的准确率,并且能有效的缩短模型的训练时间,提高推荐系统的推荐效率。
基于全局增强图神经网络的序列推荐研究
这是一篇关于基于会话的推荐,图神经网络,注意力机制,位置信息的论文, 主要内容为已有基于会话的推荐系统大多根据最后一个点击的项目与当前会话的用户偏好的相关性进行推荐,忽略了在其他会话中可能包含了与当前会话相关的项目转换,然而这些项目转换对用户的当前偏好也有一定影响,因此需要从局部会话和整体会话的角度来综合分析用户偏好;并且这些推荐系统大多忽略了位置信息的重要性,而与预测位置越近的项目可能与当前用户兴趣的相关性越高。针对上述问题,本文提出一种基于全局增强的图神经网络的推荐模型(GL-GNN,global graph neural network with LSTM)。GL-GNN根据所有会话预测用户的行为,使用GNN来捕获当前会话的全局和局部之间的关系,并采用LSTM捕获全局层面会话间的关系。先通过注意力机制层将用户的偏好表示为基于全局层面和局部层面会话兴趣的组合;然后,加入了反向位置信息衡量当前位置和预测位置之间的距离,得到了GEL-GNN(global enhanced graph neural network with LSTM)模型,以便可以更加准确地预测用户行为。在3个真实的数据集上进行了大量的实验,实验结果表明GEL-GNN优于现有的基于会话的图神经网络推荐模型。最后,在GEL-GNN模型的基础上,设计实现了个性化图书推荐系统。采用前后端分离的方式进行了实现,前端使用了Vue框架,数据库采用了My SQL,后端使用的是Python的Django框架,设计实现的个性化图书推荐系统能够根据用户当前偏好和长期偏好,向用户推荐可能感兴趣的书籍。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://bishedaima.com/lunwen/47896.html
