基于多维特征交叉的深度协同过滤算法

基于深度学习的推荐算法最初以用户和物品的ID信息作为输入,但是ID无法很好地表现用户与物品的特征。在原始数据中,用户对物品的评分数据在一定程度上能表现出用户和物品的特征,但是未考虑用户的评分偏好以及物品的热门程度。在评分任务中使用隐式反馈和ID信息作为用户与物品的特征,在消除用户主观性对特征造成的噪声的同时在一定程度上缓解冷启动问题,利用单层神经网络对原始高维稀疏特征降维,使用特征交叉得到用户与物品的低阶交互,再利用神经网络捕获用户与物品的高阶交互,有效提取了特征间的高低阶交互。在四个公开数据集上的实验表明,该算法能有效提高推荐精度。     

引入时间效应的SVD++线性回归推荐算法

针对传统协同过滤算法中的数据稀疏问题,在SVD++算法和线性回归模型的基础上引入时间效应属性,提出一种推荐算法timeSVD++LR。采用SVD++算法将用户和项目信息与隐式反馈信息相融合映射到隐语义空间,将用户和项目之间的交互作用建模为该空间中的内积。通过描述用户和物品在各因子上的特征来解释评分值,在此基础上对时间效应建模,进一步提高预测结果的准确度。根据预测评分矩阵构造特征向量,将原始训练数据作为线性回归模型的输入,采用梯度下降算法优化最终代价函数,生成使得代价函数值最小的参数向量,同时将特征向量和参数向量代入预测模型求解预测评分。在MovieLens数据集上的实验结果表明,与RSVD、SVD++和timeSVD++算法相比,该算法的平均绝对误差和均方根误差均较低,其推荐准确性较高。     

融合偏置深度学习的距离分解Top-N推荐算法

针对传统矩阵分解算法大多是浅层的线性模型,难以学习到深层次的用户和物品的隐特征向量,且在数据稀疏的情况下容易产生过拟合的问题,文中提出一种融合偏置深度学习的矩阵分解算法,在解决数据稀疏问题的同时,还能学习到表征能力更强的距离特征向量。首先,通过用户与物品的显式和隐式数据构建用户与物品的交互矩阵,并将交互矩阵转化为相应的距离矩阵;其次,将距离矩阵分别按行和按列输入加入偏置层的深度神经网络,学习得到具有非线性特征的用户和物品的距离特征向量;最后,根据用户和物品的距离特征向量计算用户和物品之间的距离,用距离值对物品按升序排列,生成Top-N的推荐列表。在4个真实数据集上进行实验,采用Precision, Recall, MAP,MRR和NDCG指标进行评估,结果表明所提算法在上述指标方面相比其他主流推荐算法有明显提升。     

深度矩阵分解推荐算法

协同过滤推荐算法中的矩阵分解因其简单、易于实现,得到了广泛的应用.但是矩阵分解通过简单的线性内积建模用户和物品之间的非线性交互关系,限制了模型的表达能力.为此,He等人提出了广义矩阵分解模型,通过非线性激活函数和连接权重,将矩阵分解推广到广义矩阵分解,为模型赋予建模用户和物品间的二阶非线性交互关系的能力.但是广义矩阵分解模型是一个浅层模型,并不能很好地建模用户和物品间高阶交互关系,一定程度上可能会影响模型性能.受广义矩阵分解模型启发,提出了深度矩阵分解模型（deep matrix factorization,简称DMF）,在广义矩阵分解模型的基础上引入隐藏层,利用深层神经网络来学习用户和物品间高阶交互关系.深度矩阵分解模型不仅解决了简单内积的线性问题,同时还能够建模用户和物品间的高阶交互,具有很好的表达能力.此外,在MovieLens和Anime两个数据集上进行了大量丰富的对比实验,验证了模型的可行性和有效性;同时,通过实验确定了模型的最优参数.     

基于深度学习的矩阵分解推荐模型

通过对深度学习和矩阵分解技术进行结合,设计一个深度神经网络对用户和物品进行特征提取,形成用户隐向量和物品隐向量的方法,计算这两个隐向量的内积得到用户对物品的评分预测.为提高推荐精度,提出使用显式数据和隐式数据并设计新的损失函数能够同时计算这两类数据损失的方法.在两个公开数据集上的实验结果表明,该方法比基线模型在HR和N...     

融合显隐式反馈的协同过滤推荐模型

融合显式和隐式反馈已被应用于提升推荐模型的性能,但是,现有的此类推荐模型未能保留显式反馈中反映用户偏好程度的信息,且现有研究认为拥有显式反馈的数据和仅拥有隐式反馈的数据对于模型具有同等影响,未能充分发挥显式反馈的优势.针对这些问题,提出一种新的融合显式和隐式反馈的协同过滤推荐模型(CEICF).首先,所提出模型提取显式反馈中的特征得到用户/物品的全局偏好向量;然后,从隐式反馈中提取用户/物品的潜在向量,进而将两种向量进行融合得到用户/物品的偏好向量;最后,使用神经网络预测用户与物品交互的可能性.在训练模型时,定义一种加权的二进制交叉熵损失函数,加强显式反馈对模型的影响来增强模型捕获用户偏好的能力.为了验证所提出模型的有效性,在覆盖不同领域的现实数据集上进行实验,实验结果表明,CEICF可有效地融合显式和隐式反馈,且推荐效果相对于基线模型有显著提升.     

融合显式反馈与隐式反馈的协同过滤推荐算法

显式反馈与隐式反馈相结合,可以有效提升推荐性能.但是现有的融合显式反馈与隐式反馈的推荐系统存在未能发挥隐式反馈数据缺失值反映用户隐藏偏好的能力,或者未能保留显式反馈数据反映用户偏好程度的能力的局限性.为了解决这个问题,提出了一种融合显式反馈与隐式反馈的协同过滤推荐算法.该算法分为两个阶段:第1阶段利用加权低秩近似处理隐式反馈数据,训练出隐式用户/物品向量;第2阶段引入了基线评估,同时将隐式用户/物品向量作为补充,通过显隐式用户/物品向量结合,训练得出用户对物品的预测偏好程度.该算法与多个典型算法在标准数据集上进行了实验比较,其可行性和有效性得到验证.     

基于度量学习的多空间推荐系统

隐式反馈具有数据获取成本小、形式广泛的特点,因此在现代推荐系统中被广泛使用.由于用户的隐式反馈通常是稀疏,不平衡,且含义不明确的.因此,想要准确学习用户和物品之间的复杂交互具有挑战性.传统的基于矩阵分解的推荐方法只能建模用户-物品之间的相似性.同时,矩阵分解使用点积运算作为相似度评估方式,而点积运算不满足三角不等式,即不能将用户-物品相似性传递到用户-用户以及物品-物品的相似性建模.因此,矩阵分解不足以在隐式反馈中充分建模用户和物品的关系.尽管现在有基于隐式反馈使用欧式距离来度量用户-物品相似度的度量学习方法,使得对应的推荐方法能够满足三角不等式.但是,现有的度量方法通常会将每个用户或者物品表示为度量空间中的单个点,进而在单个空间内通过用户-物品之间的距离来表征用户-物品之间的相似性.由于在不同的环境下,用户对于同一种类型的物品的偏好也可能存在差异.基于单个空间的用户、物品嵌入向量有可能无法满足用户具有的多种偏好和物品具有的多种属性,进而限制了推荐系统的性能.为了充分刻画用户和物品,我们尝试从多个侧面对于用户和物品进行表示,并提出了一个基于多空间的度量学习(MML)框架.通过设计整合多个空间相似性的度量方式,我们将用户和物品投影到多个空间中进行细粒度的表示.另外,我们设计了一种经过校准的优化策略,包括经过校准的最大间隔损失函数和经过校准的采样方法.在保持多空间度量学习表示能力的同时,确保框架的有效性.最后,模型通过训练好的用户、物品向量,对于稀疏的用户-物品交互矩阵进行填补.在动态更新空间权重的同时,可以赋予模型新的训练视角,最终实现端到端的训练.通过四个真实世界推荐数据集上进行的大量实验表明,MML可以在Recall和nDCG衡量指标上将目前最优的对比算法提高40%以上.     

隐式知识图协同过滤模型

目前,基于知识图谱的推荐方法利用图神经网络捕获用户偏好和知识实体之间的相关性,实现最优的推荐效果.但这种相关性建模方法依赖于节点(用户、物品或实体)之间的显式关系,具有一定的局限性.针对上述问题,文中提出隐式知识图协同过滤模型(Implicit Knowledge Graph Collaborative Filtering Model, IKGCF).首先,构建隐式协同知识图,一方面消除显式关系对推荐中隐式交互关系的干扰,另一方面解除显式关系对图谱中语义相关性的限制.然后,采用增强的图神经网络模块,执行邻居聚集和消息传播,更好地捕获隐式协同知识图上的高阶相关性.最后,采用层选择机制,得到最终的节点嵌入向量,并对模型进行预测和优化.在3个公开数据集上的实验表明,文中模型推荐效果较优.IKGCF的完整代码开源在https://github.com/hfutmars/IKGCF.     

基于隐式反馈和加权用户偏好的推荐算法

针对现有隐式反馈算法中正负样本划分不合理、忽略用户操作频次、无法准确建模用户偏好等问题,提出一种基于隐式反馈和加权用户偏好的推荐算法(IFW-LFM)。该算法考虑了用户操作频次与正负样本划分间的关系,学习并改进wALS算法,根据用户操作频次从缺失值中重新挖掘潜在正负样本,将用户操作频次大于1时的样本设置为正样本,用户操作频次为1或0时的样本为正样本或负样本,不再需要人为引入负样本;根据用户操作频次对用户偏好程度的影响,定义了置信度,明确用户偏好,并将其应用在隐因子模型的框架中;利用用户收听歌曲起止时间、收听时长等隐式反馈数据,提高隐式反馈样本利用度。在两个音乐数据集上的对比实验结果说明,该算法在准确率、召回率与NDCG值上与5个经典隐式反馈算法(UserCF、ItemCF、LFM、BPR、SVD)相比最大平均提升了45.81%,83.83%和60.33%,具有更优的推荐效果。     

基于矩阵分解的个性化推荐系统研究

随着社交网络的快速发展,用户在使用社交应用时会产生大量有价值的数据。通过对社交网络进行数据挖掘,发现隐藏在数据中关联用户与物品之间的偏好关系。然后对用户建模分析,选择合适的推荐引擎进行个性化物品推荐,这是一个非常有价值的研究方向。该文重点研究矩阵分解算法对处理大规模用户与物品评分矩阵的推荐效果,为了提高推荐的准确度展开了对用户社交关系和隐性反馈的研究,在组合预测模型中加入社交关系、人口统计学信息配置项、用户的消费记录等隐因子项,通过实验验证了扩展之后的混合预测模型在RMSE值上比SVD算法降低了0.259 475,在推荐性能有较大幅度的提高。     

基于生成对抗模型的序列推荐算法

针对传统序列推荐算法时间信息和项目内容信息运用不充分的问题,该文提出基于生成对抗模型的序列推荐算法。通过生成对抗模型将序列建模与时间、内容信息建模分离,充分挖掘用户项目交互的序列信息和项目内容信息。运用卷积神经网络作为生成对抗模型的生成器,捕获用户项目交互的序列模式。运用注意力机制作为生成对抗模型的判别器,捕获交互序列的时间信息和项目内容信息。针对传统序列推荐算法时间信息建模不充分的问题,提出一种改进的时间嵌入方式,充分建模用户项目交互关于时间的周期性模式。利用生成对抗模型同时建模用户的稳定偏好和动态偏好,提升推荐系统的用户体验,并在公开数据集MovieLens-1M和Amazon-Beauty上与现有的优秀算法做比较。实验证明,该文所提出的算法在评价指标HR@N和NDCG@N上较基线方法均有一定提升。     

基于双重最相关注意力网络的协同过滤推荐算法

基于项目的协同过滤从用户的历史交互项目中学习用户偏好,根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的,并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的,导致这些推荐方法的准确性受限。针对上述问题,提出了一种基于双重最相关注意力网络的协同过滤推荐算法,该算法包含两层注意力网络。首先,使用项目级注意力网络为不同历史项目分配不同的权重来捕获用户历史交互项目中最相关的项目;然后,使用项目交互级注意力网络感知不同历史项目与目标项目之间的交互关联度;最后,通过两层注意力网络的使用来同时捕获用户在历史交互项目上和目标项目上的细粒度偏好,从而更好地进行下一步推荐工作。在MovieLens和Pinterest两个真实数据集上进行实验,实验结果表明,所提算法在推荐命中率上与基准模型基于深度学习的项目协同过滤（DeepICF）算法相比分别提升了2.3个百分点和1.5个百分点,验证了该算法在为用户进行个性化推荐上的有效性。     

基于双重最相关注意力网络的协同过滤推荐算法

基于项目的协同过滤从用户的历史交互项目中学习用户偏好，根据用户的偏好推荐相似的新项目。现有的协同过滤方法认为用户所交互的一组历史项目对用户的影响是相同的，并且将所有历史交互项目在对目标项目作预测时的贡献看作是相同的，导致这些推荐方法的准确性受限。针对上述问题，提出了一种基于双重最相关注意力网络的协同过滤推荐算法，该算法包含两层注意力网络。首先，使用项目级注意力网络为不同历史项目分配不同的权重来捕获用户历史交互项目中最相关的项目；然后，使用项目交互级注意力网络感知不同历史项目与目标项目之间的交互关联度；最后，通过两层注意力网络的使用来同时捕获用户在历史交互项目上和目标项目上的细粒度偏好，从而更好地进行下一步推荐工作。在MovieLens和Pinterest两个真实数据集上进行实验，实验结果表明，所提算法在推荐命中率上与基准模型基于深度学习的项目协同过滤（DeepICF）算法相比分别提升了2.3个百分点和1.5个百分点，验证了该算法在为用户进行个性化推荐上的有效性。     

项目子相似度融合的协同过滤推荐算法

针对用户评分数据稀疏性和项目最近邻寻找的不准确性问题,提出了一种项目子相似度融合的协同过滤推荐算法.该算法根据目标用户每一属性取值,选取与该属性值一致的用户作为用户子空间,并在此空间上计算目标项目与其他项目之间的相似度(称其为项目子相似度).在此基础上,以项目子相似度为依据选取目标项目的K最近邻,计算其预测评分;最后对用户不同属性上的预测评分进行加权求和,得到目标项目的最终评分.实验结果表明,该算法能准确地选取目标项目的最近邻,明显改善了推荐质量.