基于深度学习的情境感知推荐系统研究进展

传统的推荐系统存在数据高度稀疏、冷启动及用户偏好建模难等问题,而把情境信息融入推荐系统中能有效缓解此类问题.深度学习技术已经成为人工智能领域研究热点,把深度学习应用在情境感知推荐系统当中,为推荐领域的研究带来新的机遇与挑战.本文从情境感知推荐系统相关概念出发,综合整理国内外研究相关文献,介绍深度学习技术融入情境感知推荐系统相关应用模型,提出了基于深度学习的情境感知推荐系统研究的不足以及对未来的展望.     

基于排序学习的推荐算法研究综述

排序学习技术尝试用机器学习的方法解决排序问题,已被深入研究并广泛应用于不同的领域,如信息检索、文本挖掘、个性化推荐、生物医学等.将排序学习融入推荐算法中,研究如何整合大量用户和物品的特征,构建更加贴合用户偏好需求的用户模型,以提高推荐算法的性能和用户满意度,成为基于排序学习推荐算法的主要任务.对近些年基于排序学习的推荐算法研究进展进行综述,并对其问题定义、关键技术、效用评价、应用进展等进行概括、比较和分析.最后,对基于排序学习的推荐算法的未来发展趋势进行探讨和展望.     

结合用户长短期兴趣与事件影响力的事件推荐策略

事件社交网络的快速发展引起的信息过载问题是当前面临的主要挑战,深度学习等技术可从大量的数据中挖掘潜在的关联信息,从而有效应对该问题.同时,有研究表明用户兴趣在长期和短期的时序上具有不同的特征模式,深度挖掘用户的时序特征和兴趣可有效地为用户提供个性化的事件推荐信息.基于此,提出一种将用户长短期兴趣与事件影响力相结合的推荐策略.通过带注意力机制的图神经网络和长短期记忆网络获取用户的长短期兴趣,同时,对候选事件构建针对目标用户的影响力.根据用户长短期兴趣和事件影响力预测目标用户的参与概率,最终通过排序后的参与概率向用户推荐TOP-K兴趣事件.实验结果表明,所提推荐模型在多个指标上均有所改善,其推荐性能优于已有对比模型,具备很好的推荐效果.     

基于强化学习的推荐研究综述

推荐系统致力于从海量数据中为用户寻找并自动推荐有价值的信息和服务,可有效解决信息过载问题,成为大数据时代一种重要的信息技术.但推荐系统的数据稀疏性、冷启动和可解释性等问题,仍是制约推荐系统广泛应用的关键技术难点.强化学习是一种交互学习技术,该方法通过与用户交互并获得反馈来实时捕捉其兴趣漂移,从而动态地建模用户偏好,可以较好地解决传统推荐系统面临的经典关键问题.强化学习已成为近年来推荐系统领域的研究热点.文中从综述的角度,首先在简要回顾推荐系统和强化学习的基础上,分析了强化学习对推荐系统的提升思路,对近年来基于强化学习的推荐研究进行了梳理与总结,并分别对传统强化学习推荐和深度强化学习推荐的研究情况进行总结;在此基础上,重点总结了近年来强化学习推荐研究的若干前沿,以及其应用研究情况.最后,对强化学习在推荐系统中应用的未来发展趋势进行分析与展望.     

基于FM与DQN结合的视频推荐算法

推荐系统是利用多种信息过滤方法,过滤冗余信息,准确向用户推荐其具有兴趣点的信息的技术.传统的推荐系统在处理信息过载的问题上取得良好的效果,被广泛应用于电子商务、视频推荐、音乐电台、社交网络等领域.但在冷启动,推荐的多样性等问题上传统的推荐系统仍存在缺陷.针对以上问题,论文使用场感知因子分离机FM模型做特征组合与处理高维稀疏特征,使用深度神经网络模型作为Deep Q-Leanrning算法的值函数网络,使用Deep Q-Leanrning深度强化学习算法作为决策函数解决推荐准确性与多样性问题.该算法在视频推荐的应用中,视频推荐准确度略高于传统的推荐算法,视频多样性推荐效果明显优于传统的推荐算法.     

基于深度学习的推荐系统应用综述

随着互联网上信息量呈指数增长,用户从大量信息中挑选目标信息变成了一种复杂且耗时的作业。为用户解决因信息量爆炸而不能快速获得目标信息的方法就是构建推荐系统。深度学习作为当前热门的研究话题,在许多领域都取得了突破性的成就。利用深度学习挖掘用户和物品的隐含属性,构建用户和物品的关系模型,可以提高个性化推荐的精确度。本文介绍了推荐系统和深度学习,分析了深度学习在推荐领域的应用现状并做出了展望。     

基于注意力模型的混合推荐系统

推荐系统作为信息爆炸时代下解决信息过载问题的重要方式受到了越来越大的关注。传统的推荐系统普遍存在精度不高、评价标准不明确等缺陷，将机器学习尤其是深度学习技术引入推荐系统将有效改善上述缺陷及瓶颈。提出了一种基于注意力模型的混合推荐系统，利用深度神经网络中的注意力模型对特定推荐商品的物品属性进行加权分配，获得预推荐商品的用户认可度评分；通过自适应增强模型替换传统的损失排序模型，使得精确度、召回率等相关评价指标获得较大提升。在现有推荐系统评价指标的基础上，首次引入了用户群体评价认可度指标，通过认可度指标可以在用户体验维度对推荐系统性能给出更精确的评价。     

基于深度学习的智能推荐系统综述

随着互联网技术的发展,人们对于网络资源的依赖和需求也在增长,如何为用户推荐其感兴趣的项目成为重要的研究课题,因此推荐系统被提出并应用.本文首先介绍了传统推荐算法和结合深度学习技术的智能推荐算法,阐述了推荐系统中的关键问题,并介绍了结合深度学习技术解决相应问题的方法,最后分析了基于深度学习的智能推荐系统未来的研究方向.     

基于用户反馈的API推荐工具

在软件开发的过程中,开发人员经常会检索合适的API来完成编程任务.为了提高软件开发效率,大量API推荐方法及工具应运而生.然而,这些方法大多数都没有考虑用户交互信息.本文提出了一个基于客户端/服务器架构的API推荐工具,将其以插件的形式集成到VS Code IDE中.本工具使用现有的API推荐工具生成初始API推荐列表,结合用户反馈信息,利用排序学习和主动学习技术对API推荐列表进行重新排序,实现了用户个性化推荐.大量实验证明,随着反馈数据量的增加,本工具的性能稳步提升.     

基于深度神经网络的个性化推荐系统研究

深度神经网络由于结构类似于生物神经网络,因此拥有高效、精准抽取信息深层隐含特征的能力和能够学习多层的抽象特征表示,且能够对跨域、多源、异质的内容信息进行学习等优势。提出了一种基于多用户-项目结合深度神经网络抽取特征、自学习等优势实现信息个性化推荐的模型,该模型通过对输入多源异构数据特征进行深度神经网络学习、抽取,再融合协同过滤中的广泛个性化产生候选集,然后通过二次模型学习产生排序集,实现精准、实时、个性化推荐。通过真实数据集对模型评估实验,实验结果表明,该模型能够很好地学习、抽取用户隐特征,并且能够一定程度上解决传统推荐系统稀疏性、新物品等问题,同时实现了更加精准、实时、个性化的推荐。     

融合上下文信息的深度推荐模型

目前,在基于文档信息的推荐任务中,传统基于文档的混合推荐算法仍依赖于浅层的线性模型,当评分数据变得庞大且复杂时,其推荐性能往往不太理想。针对此问题,提出一种深度融合模型(DeepFM),该模型能够在完全捕获文本信息的同时也能很好地处理复杂且稀疏的评分数据。DeepFM由两个并行的神经网络组成,其中一路神经网络使用多层感知器提取评分矩阵的行向量信息从而获得用户的潜在特征向量,另一路则使用MLP和卷积神经网络(CNN)共同建模从而提取额外有关项目的文本信息得到项目潜在特征向量。最后,通过构建融合层将用户特征向量和项目特征向量进行融合得出预测评分。实验结果表明,DeepFM在MovieLens数据集和亚马逊数据集上的性能优于主流的推荐模型。     

融合注意力与深度因子分解机的时间上下文推荐模型

对于许多在线电商,预测用户购买商品的可能性至关重要。由于用户与商品的交互通常是高维且稀疏的,所以深度因子分解机算法（DeepFM）将因子分解机算法（FM）与深度神经网络（DNN）结合在一起,用FM处理低阶特征组合,用DNN处理高阶特征组合,通过并行的方式组合这2种方法,很好地解决了高维稀疏的问题。但是,它忽略了用户购买商品的先后性问题,也就是时间上下文信息。针对这一缺陷,本文提出一种融合注意力（Attention）与DeepFM的时间上下文推荐模型（DeepAFM）,更好地利用用户与商品交互的时间上下文信息,相比较于未加入时间上下文信息的DeepFM模型,AUC提升了1.84%。对比验证结果表明,DeepAFM模型具有更优越的性能。     

基于FG_DRFwFm模型的深度推荐

近年来随着深度学习在多个领域取得了不错的效果,深度学习也开始应用在推荐系统,例如利用深度学习技术来捕捉高阶特征交互的NFM模型和DeepFM模型等.然而考虑到外部环境和内部感知的变化,用户的兴趣也应该随着时间动态的变化,且基于原始特征进行组合不一定能学到有效特征交互.为此尝试构建一种新的模型FG_DRFwFm,该模型能学习多特征域低阶与高阶特征交互与处理用户长期兴趣变化,并且训练特征是根据原始特征构建出新特征并拼接后组成的,能更好地学习有效特征交互.最后该模型在MovieLens数据集上与多个先进的CTR算法进行推荐效果对比验证,实验结果证明提出的模型取得了更好的效果.     

基于多路交叉的用户金融行为预测

针对通过挖掘用户的金融行为来改善金融领域的服务模式和服务质量的问题,本文提出了一种基于多路交叉特征的用户金融行为预测算法.根据数据包含的属性构建训练的特征,基于因子分解机模型(FM)利用下游行为预测任务对金融数据的特征进行预训练,获取数据特征的隐含向量.引入特征交叉层对金融数据的高阶特征进行提取,解决FM线性模型只能提...     

序列生成对抗网络在推荐系统中的应用

推荐系统旨在根据用户的历史行为数据发现该用户可能感兴趣的新项目,并产生相应的推荐。当前大部分的推荐系统多根据用户的历史行为数据,挖掘相似用户,并从相似用户的历史数据中选出彼此历史数据中未出现的新项目;或者根据用户感兴趣的历史项目匹配相似的新项目,从而实现推荐。但这些推荐方式对原始数据有着较强的依赖关系,且难以发觉不同项目之间隐含的序列关系。因此提出一种融合Item2vec和生成对抗网络（Generative Adversarial Networks,GAN）方法的推荐算法,可以学习得到项目间难以表达的关系;挖掘用户历史数据中的序列关系,学习用户兴趣偏好的真实分布;实现用户兴趣偏好的预测。实验发现该推荐算法具有较好的表现。     

基于深度神经网络和加权隐反馈的个性化推荐

改进的矩阵分解(SVD++)将用户和物品特征向量的内积作为用户对物品的评分,而内积无法捕捉用户与物品之间复杂的高阶非线性关系.此外,SVD++在融入用户隐式反馈时,未区分不同交互物品对于用户特征表达的贡献.针对上述问题,文中提出基于深度神经网络和加权隐反馈的推荐算法(DeepNASVD++),采用深度神经网络建模用户与物品之间的关系,使用注意力机制计算历史交互物品在建模用户隐式反馈时的权重.在公开数据集上的实验验证文中算法的有效性.     

基于用户多样性偏好的top-N推荐算法

传统推荐算法主要关注推荐准确性,而用户对项目的不同偏好和多样性需求也影响着用户体验和满意度。针对该问题,提出了一种新的算法,在计算项目相似度时结合了用户对不同项目的评分差异,以此可以提高项目相似度计算的准确性,根据用户历史评分数据和项目类别数据得到用户-类别权重矩阵,一方面以此计算基于熵的多样性,另外根据用户对项目的兴趣计算公式,生成一个降序排列的初始推荐序列,根据用户偏好误差门限,并结合用户-类别权重矩阵实现基于用户偏好的推荐,最终生成[N]个推荐的项目,同时保证准确率和多样性的前提下,提高用户满意度。在数据集movielens的多个版本上,与多个经典算法比较,实验结果表明,提出的算法可以有效提高推荐精度和用户满意度。     

一种协同过滤式零次学习方法

深度学习算法在很多有监督学习任务上达到了令人满意的结果,但其依赖于大量标注样本,并且使用特定类别训练的分类器,只能对这些类别进行分类.零次学习希望计算机像人类一样,能够结合历史经验与知识进行推理,无需使用大量新类别样本训练,便可达到识别新类别的效果.发现了零次学习任务存在“冷启动”以及矩阵稀疏两个特点,这些特点在推荐任务中同样存在.受推荐任务启发,将零次图像分类任务建模为矩阵填充问题,借鉴推荐领域中协同过滤算法,将稀疏的样本标签矩阵视为非稀疏的视觉特征矩阵和类别特征矩阵的内积结果,进而实现对新类别样本的分类预测.此外,构建了基于类间语义关联的语义图结构,使用图神经网络进行已知类别和新类别之间的知识迁移,以较小代价为类别学得准确的语义特征.在3个经典零次学习数据集上分别进行传统零次学习和广义零次学习实验,实验结果表明：提出的协同过滤式零次学习方法能够有效提升分类精度,且训练代价较小.     

Learning to embed music and metadata for context-aware music recommendation

Contextual factors greatly influence users’ musical preferences, so they are beneficial remarkably to music recommendation and retrieval tasks. However, it still needs to be studied how to obtain and utilize the contextual information. In this paper, we propose a context-aware music recommendation approach, which can recommend music pieces appropriate for users’ contextual preferences for music. In analogy to matrix factorization methods for collaborative filtering, the proposed approach does not require music pieces to be represented by features ahead, but it can learn the representations from users’ historical listening records. Specifically, the proposed approach first learns music pieces’ embeddings (feature vectors in low-dimension continuous space) from music listening records and corresponding metadata. Then it infers and models users’ global and contextual preferences for music from their listening records with the learned embeddings. Finally, it recommends appropriate music pieces according to the target user’s preferences to satisfy her/his real-time requirements. Experimental evaluations on a real-world dataset show that the proposed approach outperforms baseline methods in terms of precision, recall, F1 score, and hitrate. Especially, our approach has better performance on sparse datasets.     

一种基于用户播放行为序列的个性化视频推荐策略

本文针对在线视频服务网站的个性化推荐问题,提出了一种基于用户播放行为序列的个性化推荐策略.该策略通过深度神经网络词向量模型分析用户播放视频行为数据,将视频映射成等维度的特征向量,提取视频的语义特征.聚类用户播放历史视频的特征向量,建模用户兴趣分布矩阵.结合用户兴趣偏好和用户观看历史序列生成推荐列表.在大规模的视频服务系统中进行了离线实验,相比随机算法、基于物品的协同过滤和基于用户的协同过滤传统推荐策略,本方法在用户观看视频的Top-N推荐精确率方面平均分别获得22.3%、30.7%和934%的相对提升,在召回率指标上分别获得52.8%、41%和1065%的相对提升.进一步地与矩阵分解算法SVD++、基于双向LSTM模型和注意力机制的Bi-LSTM+Attention算法和基于用户行为序列的深度兴趣网络DIN比较,Top-N推荐精确率和召回率也得到了明显提升.该推荐策略不仅获得了较高的精确率和召回率,还尝试解决传统推荐面临大规模工业数据集时的数据要求严苛、数据稀疏和数据噪声等问题.