基于时序门控图神经网络的可解释序列推荐

发布时间：2021-10-20 07:58

　　人类社会的进步依赖于信息的交流,推荐系统作为筛选信息的核心技术,承担着信息入口的重要角色。随着信息种类的丰富,信息展示方式的多样化,也衍生了多样的信息推荐形式。序列推荐算法可以有效建模用户近期偏好的同时融合用户历史偏好,是一种性能稳定且高效的推荐算法。本文以序列推荐和模型可解释为研究重点,针对学术论文推荐场景,进行以下研究工作:（1）提出建模用户行为时间间隔信息的时序门控图神经网络Time-GGNN。用户行为时间间隔信息是用户两次点击行为之间的间隔时间,是反映用户行为间关联度的重要信息。另外,门控图神经网络相比循环神经网络可以更好的捕获用户行为序列中的复杂过渡,本文在此基础上提出可以建模时间间隔信息的时序门控图神经网络。（2）基于时序门控图神经网络提出序列推荐算法TGGNN4REC。通过将用户行为序列由链式结构转换为图结构后,利用前面提出的时序门控图神经网络对用户行为图进行建模得到各个行为的向量表示,再通过注意力机制计算图中各个行为对用户下次点击预测的权重,最后利用此权重与各个行为向量计算得到整个序列图全局向量并融合序列图最后一次行为向量作为用户下次点击预测向量,通过此向量预测用户下次... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

推荐算法预测示意图

第2章相关工作及知识介绍10品，为用户点击物品序列，？表示需要预测的物品，通过序列推荐算法将？处物品预测。图2.2序列推荐算法工作原理示意图2002年，Shani[15]等人首次提出的基于马尔科夫链的序列推荐算法模型，由于当时应用场景以及数据量的限制，序列推荐算法的研究工作在一段时间内没有取得突破性的进展。直到2015年，Hidasi[17]等人首次将循环神经网络的应用于序列推荐任务中提出了GRU4Rec，该模型首次提出循环神经网络单元应用于序列推荐的训练方式和评估方法，并取得很好的实验效果。GRU4Rec也是首次将深度学习应用到序列推荐领域所提出的模型，后面会对该模型进行详细介绍。2.2.2循环神经网络循环神经网络[31]、卷积神经网络、人工神经网络是深度学习的三种基本神经网络形式。卷积神经网络和人工神经网络无法处理长短不一的序列数据。而循环神经网络则是专门用于处理序列数据的神经网络单元，被广泛应用于解决语言建模问题[28]、文本分类问题[29]、机器翻译问题[30]。图2.3循环神经网络序列结构图[28]图2.3左为循环神经网络整体结构图，图2.3右为循环神经网络时间序列图，序列的每一个单元称为“时间步”。在时间步，表示循环神经网络单元输入状态，表示循环神经网络单元的隐藏状态，表示循环神经网络单元的输出状态，

第2章相关工作及知识介绍10品，为用户点击物品序列，？表示需要预测的物品，通过序列推荐算法将？处物品预测。图2.2序列推荐算法工作原理示意图2002年，Shani[15]等人首次提出的基于马尔科夫链的序列推荐算法模型，由于当时应用场景以及数据量的限制，序列推荐算法的研究工作在一段时间内没有取得突破性的进展。直到2015年，Hidasi[17]等人首次将循环神经网络的应用于序列推荐任务中提出了GRU4Rec，该模型首次提出循环神经网络单元应用于序列推荐的训练方式和评估方法，并取得很好的实验效果。GRU4Rec也是首次将深度学习应用到序列推荐领域所提出的模型，后面会对该模型进行详细介绍。2.2.2循环神经网络循环神经网络[31]、卷积神经网络、人工神经网络是深度学习的三种基本神经网络形式。卷积神经网络和人工神经网络无法处理长短不一的序列数据。而循环神经网络则是专门用于处理序列数据的神经网络单元，被广泛应用于解决语言建模问题[28]、文本分类问题[29]、机器翻译问题[30]。图2.3循环神经网络序列结构图[28]图2.3左为循环神经网络整体结构图，图2.3右为循环神经网络时间序列图，序列的每一个单元称为“时间步”。在时间步，表示循环神经网络单元输入状态，表示循环神经网络单元的隐藏状态，表示循环神经网络单元的输出状态，

【参考文献】：
期刊论文
[1]深度学习的可解释性[J]. 吴飞,廖彬兵,韩亚洪.  航空兵器. 2019(01)
[2]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏.  自然科学进展. 2009(01)



本文编号：3446542