将行为依赖融入多任务学习的个性化推荐模型

多种类型行为数据的引入缓解了协同过滤算法存在的数据稀疏和冷启动问题，在推荐领域被广泛研究和应用。尽管当前对多行为推荐的研究已经取得很大进展，但仍然存在以下问题：未能全面捕获行为之间复杂的依赖关系；忽略了行为特征与用户和项目的相关性。这导致学习到的特征向量无法准确表达用户的兴趣偏好，使得推荐结果存在偏差。为了解决以上问题，提出了将行为依赖融入多任务学习的个性化推荐模型（BDMR），将行为之间复杂的依赖关系分为特征相关性和时序相关性。首先，设置用户个性化行为向量，利用图神经网络处理多个单行为交互图，联合用户、项目和行为特征聚合高阶邻域信息，结合注意力机制学习行为之间的特征相关性；其次，将行为特征和项目特征构成的交互序列输入长短期记忆网络，捕获行为之间的时序相关性；最后，将个性化行为向量融入多任务学习框架获取更加准确的用户、行为和项目特征。为了验证提出模型的性能，在三个真实数据集上进行对比实验，在Yelp数据集上，相较于最优基线，HR和NDCG分别提升了1.5%和2.9%；在ML20M数据集上，HR和NDCG分别提升了2.0%和0.5%；在Tmall数据集上，HR和NDCG分别提升了25.6...