基于用户隐性反馈行为的下一个购物篮推荐

下一个购物篮推荐是当前电子商务领域中极其重要的一项任务,传统的下一个购物篮推荐方法主要分为时序推荐模型和总体推荐模型。这些方法对点击、收藏、加入购物车等用户的隐性反馈行为利用得不够,并且没有考虑用户行为偏好的时间敏感性。该文提出了一种基于用户隐性反馈行为的下一个购物篮推荐方法,将用户行为按照一定的时间窗口进行划分,对于每个窗口从多个维度抽取用户对商品的时序偏好特征,运用深度学习领域的卷积神经网络模型进行分类器训练。在真实数据集中的实验结果表明,与传统的线性模型和树模型等分类器相比,该文提出的卷积神经网络框架具有较强的特征萃取能力和泛化能力,提高了推荐系统的用户满意度。     

基于图注意力网络的下一个购物篮推荐

购物篮是用户在一次购物中一系列物品的集合。在下一个购物篮推荐中，可以根据用户的历史购物篮序列推荐出用户接下来购买的物品集合。受图注意力网络的启发，利用该网络建模购物篮中的物品联系，得到含有物品关系的购物篮表示；为了建模用户的短期兴趣，设计一个固定大小的移动窗口，融合最近几个连续购物篮的用户偏好；融合经过循环神经网络的篮子表示、全局和短期的用户购物偏好得到最终的推荐。在两个公开数据集上进行实验，结果表明该算法可有效提高下一个购物篮推荐精度。     

基于图注意力网络的购物篮推荐系统

目前已经有很多关于推荐系统的工作取得了很好的成绩。然而大多数工作都集中在对购物篮中单个项目进行排序,关于下一个购物篮的推荐方案却很少。GATBR是一个基于图注意力网络的购物篮推荐模型,它分别对购物篮和其中项目建模。网络中的注意力模块针对给定项目的历史行为,学习其中复杂的交互关系,最后将其合并表示为超图,为目标用户提供最有可能出现在下一个购物篮中的项目参考。通过在Yoochoose和TaFeng数据集上进行实验,GATBR表现出高于其它现有方案的预测精度。     

基于用户浏览轨迹的商品推荐

随着电子商务的迅速发展,推荐系统在这些网站中得到了广泛的应用。目前应用最广泛的个性化推荐算法是协同过滤推荐算法,但是该方法存在稀疏矩阵与冷启动问题。根据用户浏览记录推荐商品是缓解这些问题的一个重要研究方向,这些方法根据用户在电子商务网站的访问日志,提取出用户的浏览路径序列,即用户浏览轨迹,为用户推荐偏爱商品。目前,通过分析用户浏览路径为用户推荐商品的方法主要依据用户浏览轨迹模式匹配或者从用户浏览轨迹中商品与下一个商品关系的角度进行考虑。而本研究从浏览轨迹中被浏览商品与最终被购买商品关系的角度出发,并以此为基础建立用户浏览轨迹偏爱模型,挖掘用户偏爱,为用户推荐商品。实验表明,所提方法能够在一定程度上解决因为新用户缺少历史购买及评分记录而引起的新用户冷启动问题,提高了推荐方法的准确度与召回率。     

基于用户社区的商品推荐方法

提出一种以用户社区服务系统为基础,面向社区新用户的商品推荐方法.根据现有用户的历史行为对用户进行社区划分,得到社区划分的结果模型,对于一个新来的用户运用这个模型将其归入相应的社区中,再根据这个社区的特征有目的地为新用户进行商品推荐.文中对该方法所涉及的基于信息熵的社区发现算法以及基于网络社区的协同推荐算法等关键问题的实现思路进行了详细阐述.     

一种基于多样性的top-N推荐算法

目前大多数推荐算法都是以提高用户对未知商品的评分预测值为主要目标。然而预测准确率并不是增加用户满意度的唯一标准,推荐列表的多样性也是衡量推荐质量的一个重要指标。提出了一种新的推荐方法,在保证推荐列表准确率的条件下,通过调节商品类的权重来提高推荐商品的多样性。实验表明,该方法不仅具有较低的时间复杂度和高度的可扩展性,而且与其他方法相比能够获得更好的推荐效果。     

基于AGRU-GNN的图网络社交推荐算法

在推荐系统中,用户对物品的兴趣是动态变化的,会受用户自身历史行为、朋友历史行为甚至短时热点等多方面因素影响.而如何在推荐系统中对用户的时序兴趣进行描述并提取有效信息,一直以来是推荐算法的一大挑战之一.本文在图神经网络(GNN)推荐算法的基础上,提出一种基于注意力门控循环单元(Attention-GRU)的改进图网络算法,对用户、物品的交互时序历史进行特征建模,于此同时结合社交网络将此时序特征在用户、物品之间传播.算法在Ciao与Epionions数据集上进行了验证,并与其他相关工作进行对比,证明了该模型有效地提取了用户、物品的时序特征,提升了推荐系统的有效性.     

一种基于整体多样性增强的推荐算法

目前大多数推荐算法都是以提高用户对未知商品的预测评分值为主要目标,然而预测准确率并不是增加用户满意度的唯一标准,推荐列表的多样性也是衡量推荐质量的一个重要指标。提出了一种新的推荐方法,旨在提高系统的整体多样性和长尾商品的推荐率。算法综合考虑了商品预测值、商品流行度、商品的偏爱度等多个标准。实验表明,与其他方法相比,本方法在维持较高推荐准确率的同时,能够推荐更多的长尾商品,提高了系统的整体多样性。     

SMART:一种面向电商平台快速消费品的图推荐算法

提出一种针对电商平台快速消费品的图推荐算法SMART。该算法在传统二部图推荐算法的基础上增加商品种类节点及其与用户和商品两类节点的关联边,且利用每个用户对商品种类和单个商品的兴趣倾向设置无向边的权重,通过节点间转移概率的差异实现有倾向性的随机游走;经过多次迭代,用户节点到所有节点的游走概率会收敛到稳定值,收敛后的游走概率能够在一定程度上体现用户对商品的购买概率;最后考虑每个用户对商品所属商家的兴趣偏好,对用户节点到各商品节点的游走概率进行调整,并根据调整后的游走概率计算每个用户的TOP-N推荐列表。在京东生鲜类商品的评论数据集上对所提出的推荐算法进行性能评价,实验结果表明该算法的确能够提供高质量的推荐,与基本二部图推荐算法相比,准确率提高了1.32%,召回率提高了1.48%。     

用户显意识下的多重态度个性化推荐算法

个性化推荐技术在电子商务系统中得到了广泛的应用。针对现有商品特征算法不能反映出用户对商品特征认识的差异问题,提出了一种用户显意识下的多重态度个性化推荐算法,引入显意识及多重态度的权值,从不同角度去描述消费者心理特征,使推荐结果更符合用户的需求。实验对比结果表明,用户显意识下的多重态度个性化推荐算法能够提高商品特征推荐算法的推荐精度。     

Modeling Temporal Dynamics of Users’ Purchase Behaviors for Next Basket Prediction

Next basket prediction attempts to provide sequential recommendations to users based on a sequence of the user’s previous purchases. Ideally, a good prediction model should be able to explore the personalized preference of the users, as well as the sequential relations of the items. This goal of modeling becomes even more challenging when both factors are time-dependent. However, existing methods either take these two aspects as static, or only consider temporal dynamics for one of the two aspects. In this work, we propose the dynamic representation learning approach for time-dependent next basket recommendation, which jointly models the dynamic nature of user preferences and item relations. To do so, we explicitly model the transaction timestamps, as well as the dynamic representations of both users and items, so as to capture the personalized user preference on each individual item dynamically. Experiments on three real-world retail datasets show that our method significantly outperforms several state-of-the-art methods for next basket recommendation.

     

一种基于CW-RNN的多时间尺度序列建模推荐算法

序列化推荐试图利用用户与物品的历史交互序列,预测下次即将交互的物品。针对序列化推荐中推荐物品依赖于用户的长时间全局兴趣、中时间兴趣还是短时间局部兴趣的不确定性,该文提出了一种基于CW-RNN的多时间尺度序列建模推荐算法。首先,该算法引入CW-RNN层,从用户与物品的历史交互序列中抽取多个时间尺度的用户兴趣特征。然后,通过尺度维卷积来建模对不同时间尺度的用户兴趣特征的依赖,生成多时间尺度用户兴趣特征的统一表示。最后,利用全连接层建模统一的多尺度用户兴趣特征和隐式物品特征的交互关系。在MovieLens-1M和Amazon Movies and TV两个公开数据集上的实验结果表明,相比于现有最优的序列推荐算法,该文提出的算法在准确率上分别提升了3.80%和8.63%。     

基于高斯分布建模的序列推荐算法

目前大多数序列推荐系统(SRS)都假设需要预测的下一项与用户的上一项输入有关,然而真实场景中,用户可能会在浏览过程中误点击与自身兴趣偏好不一致的项目(不可靠实例)。针对此问题,提出了一种基于高斯分布建模的序列推荐算法。该算法首先通过一个含有多头自注意力的不确定性感知图集合网络(uncertainty-aware graph ensemble network,UAN),通过降低输入项的不确定性来提取输入的序列模式;其次将提取的输入序列模式建模为一个高斯分布,得到序列信息中的动态用户偏好以及偏好的不确定性;再将传统的推荐目标函数拓展为一个采样损失函数和一个不确定性正则化器,赋予每个训练实例适当的不确定性;最后将高损失且低不确定性的不可靠实例去除,增强序列推荐的准确性。该算法在三个公开的数据集Book-Crossing、MovieLens-1M和Steam上进行实验测试,结果表明,该算法相对于效果较好的基线取得了5.3%左右的提升,得到了更优的序列推荐结果,并能通过有效降低输入序列信息的不确定性,从而提升推荐准确率。     

Quantifying predictability of sequential recommendation via logical constraints

The sequential recommendation is a compelling technology for predicting users’ next interaction via their historical behaviors. Prior studies have proposed various methods to optimize the recommendation accuracy on different datasets but have not yet explored the intrinsic predictability of sequential recommendation. To this end, we consider applying the popular predictability theory of human movement behavior to this recommendation context. Still, it would incur serious bias in the next moment measurement of the candidate set size, resulting in inaccurate predictability. Therefore, determining the size of the candidate set is the key to quantifying the predictability of sequential recommendations. Here, different from the traditional approach that utilizes topological constraints, we first propose a method to learn inter-item associations from historical behaviors to restrict the size via logical constraints. Then, we extend it by 10 excellent recommendation algorithms to learn deeper associations between user behavior. Our two methods show significant improvement over existing methods in scenarios that deal with few repeated behaviors and large sets of behaviors. Finally, a prediction rate between 64% and 80% has been obtained by testing on five classical datasets in three domains of the recommender system. This provides a guideline to optimize the recommendation algorithm for a given dataset.     

基于多权重相似度的随机漫步推荐算法

在传统个性化推荐算法的基础上,提出了一种基于多权重相似度的随机漫步推荐算法。为了解决传统协同过滤算法中忽略了社交网络、热门项目以及共同评分项目之间影响等问题,通过引入万有引力公式计算社交网络中的用户相似度,并对传统协同过滤算法中的相似度进行改进,采用权重因子结合这两者相似度,最后开拓性地结合随机漫步算法进行商品推荐。实验结果表明,提出的算法具有比其他推荐算法更好的推荐性能。     

动态融合社交信息的社会化推荐

针对推荐算法中的数据稀疏问题,通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移,导致模型无法描述用户兴趣的动态变化特征,也忽略了社交影响的动态特性,导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先,利用自注意力机制构建用户交互物品的序列模型,以实现对用户兴趣的动态描述;然后,设计具有时间遗忘的注意力机制对社交短期兴趣进行建模,并设计具有协同特性的注意力机制对社交长期兴趣进行建模;最后,融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示,SLSRec模型与DiffNet模型相比,在稀疏数据集上的HR指标提升了8.5%;与SASRec模型相比,在稠密数据集上的NDCG指标提升了2.1%,表明考虑社交信息的动态特性使推荐结果更加准确。     

融合自注意力机制与长短期偏好的序列推荐模型

针对现有的序列推荐算法仅利用短期顺序行为进行推荐,而没有充分考虑用户的长期偏好和项目之间更深层次的联系等问题,提出一种融合自注意力机制与长短期偏好的序列推荐模型(combines self-attention with long-term and short-term recommendation,CSALSR)。该模型首先建模用户和项目的潜在特征表示,将用户短期交互序列中的项目成对编码为三向张量,然后经过自注意力机制模块并使用卷积神经网络(convolutional neural network,CNN)从用户的顺序模式中提取项目间更深层次的联系。同时考虑用户的长期偏好,将相似用户的嵌入作为补充增强用户表征。在MovieLens-1M和Gowalla数据集上,实验结果表明提出的方法在准确率precision@N、召回率recall@N、均值平均精度(mean average precision,MAP)上优于其他方法。     

融合循环知识图谱和协同过滤电影推荐算法

推荐系统对筛选有效信息和提高信息获取效率具有重大的意义。传统的推荐系统会面临数据稀松和冷启动等问题。利用外部评分和物品内涵知识相结合,提出一种基于循环知识图谱和协同过滤的电影推荐模型--RKGE-CF。在充分考虑物品、用户、评分之间的相关性后,利用基于物品和用户的协同过滤进行Top-[K]推荐;将物品的外部附加数据和用户偏好数据加入知识图谱,提取实体相互之间的依赖关系,构建用户和物品之间的交互信息,以便揭示实体与关系之间的语义,帮助理解用户兴趣;将多种推荐结果按不同方法融合进行对比;模型训练时使用多组不同的负样本作为对比,以优化模型;最后利用真实电影数Movielens和IMDB映射连接成新数据集进行测试。实验结果证明该模型对于推荐效果的准确率有显著的提升,同时能更好地解释推荐背后的原因。     

一种多样性增强的推荐列表选择算法

针对传统的推荐算法过于强调推荐的精准度导致推荐列表的同质化现象突出的问题, 提出了一种新的推荐列表选择算法DivEnhance。首先给出了推荐列表的多样性和效用值的定义; 然后将其建模为一个带约束的整数规划问题来求解, 通过一个参数的调整, 可以实现多样性和精准度的灵活控制。实验结果表明, 该算法可以在一定精准度损失的条件下, 大幅提高最终推荐列表的多样性。特别地, 在推荐一些新颖性较高的内容上, 该算法相对于传统的推荐算法具有较大的优势。