基于神经网络的会话型推荐系统研究

发布时间：2021-04-08 07:47

　　随着互联网技术的不断发展,推荐系统已经广泛地应用于各类电子商务平台和媒体流网站。目前大多数的推荐系统都是根据用户的身份标识和长期历史行为来给出个性化的推荐方案。但是,在很多真实的应用场景中用户的身份标识和长期历史行为数据是无法获得的。在这种情况下,传统的推荐算法将不再适用。只能根据用户在当前会话中的点击序列来给出相应的推荐结果,这一种推荐方式又叫做会话型推荐系统。由于用户行为的不确定性和会话所提供的信息有限性,会话型推荐系统仍然是一个非常具有挑战性的问题。先前用来解决该问题的方法主要是基于循环神经网络的模型。但是循环神经网络内在的串行运行机制会阻碍模型的并行化,降低模型的运行效率。最近,注意力网络在这个问题上表现出了更大的优势。但是,现有的基于注意力网络的方法都没有显式地利用到序列中的时序位置信息,上下文信息和局部特征。为了解决以上的这些问题,本文在现有的工作之上做了进一步改进,其主要的创新点如下:1.本文提出了一种位置感知的上下文注意力网络模型,它能够同时考虑物品的时序位置信息和上下文信息从而提高推荐的准确性。它通过引入位置向量来对时序位置信息进行建模,并利用池化函数来生成上下文特征... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

会话型推荐任务示意图

浙江大学硕士学位论文第2章相关概念及工作综述图2.1会话型推荐任务示意图如图2.1所示，本论文的任务就是基于用户在当前会话中的感兴趣的商品序列来预测用户的下一个可能喜欢的物品，本论文把这种方案称为基于会话的推荐系统。由于用户行为的不确定性以及会话所提供的信息非常有限，所以基于会话的推荐系统仍然是一个非常具有挑战性的问题。由于研究需要，接下来笔者用数学符号语言来描述一下会话型推荐系统。基于会话的推荐系统的目的是根据用户的当前历史行为来预测用户接下来要点击的物品。令I={1,2,...,|I|}表示数据中所有物品的集合，其中|I|表示该网站所有物品的总数。如图2.2所示，每个会话都用S=[s1,s2,...,sN]来表示,它是由用户在当前会话中所交互过的物品组成的序列,其中si∈I表示用户第i个点击的项目，i是指这个物品出现在序列中的位置。为了防止混淆，本文用大写S来表示会话序列，用小写的s来表示序列中的一个物品标号，用N表示整个会话的序列长度。另外，对于整个的会话序列S，本文会把前t个物品提取出来，形成一个子序列St=[s1,s2,...,st]，其中1≤t≤N。这个子序列是由前t个物品组成，所以又被称作整个会话的前缀子序列。图2.2会话型推荐系统架构示意图对于出现在集合I的每一条物品，本文都可以用一个嵌入式的向量（embed-11

浙江大学硕士学位论文第2章相关概念及工作综述学习展现潜力之前，各种各样传统的推荐算法被用来解决这一问题。传统的推荐算法也分成了三种：其一是基于矩阵分解的推荐方法；其二是基于最近邻的推荐算法；最后是基于马尔可夫链的序列化推荐算法。本小节将详细地介绍这些传统的推荐算法，并说明它们如何应用在基于会话的推荐场景中。2.2.1基于矩阵分解的推荐算法矩阵分解是推荐系统中的一类经典方法[22;23]，它原本被提出来是为了解决了评分预测的问题。然而在隐式反馈的相关问题中，我们不需要去预测用户的评分，只需要去预测用户最感兴趣的物品。本文模型的主要目标是把候选的物品按用户喜好程度进行排序，然后给用户推荐排序靠前的物品。常用的排序方法一般也可以分成点排序（pointwiseranking）和对排序（pairwiseranking）。点排序算法独立地计算每一个物品的点击概率，这可以看作是一种多分类的问题。而对排序方法则是每次比较两个样本点击的概率，让点击概率更高的排的位置更前面。图2.3贝叶斯个性化排序中用户成对偏好示意图13


本文编号：3125157