融合序列局部信息的日期感知序列推荐算法

基于自注意力机制的序列推荐算法利用用户的交互序列建模用户的动态偏好,预测用户未来的行为。但是,将交互序列直接输入自注意力层将会限制算法对序列局部关联信息的有效利用。此外,现有的大部分推荐算法利用用户最近的行为表征与目标项目的点积计算项目得分,这将削弱先前交互项目对推荐结果的影响。提出融合序列局部信息的日期感知序列推荐算法,使用多个垂直过滤器融合各交互项目在交互序列中的多种局部关联信息,同时使用交叉注意力机制捕获所有历史交互项目和目标项目的关系,并且抛弃了传统的位置嵌入方法,改用交互发生的日期作为绝对时间嵌入。在多个公开数据集上的实验表明,该算法在不同的评估指标上较基线算法均有一定程度的提升。     

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.     

基于情境感知的个性化推荐算法

随着互联网的快速发展,只涉及用户和项目的传统个性化推荐已不能满足推荐要求的效率和准确率.因此,情景感知个性化推荐服务引起了广泛关注,成为新的研究热点.本文分析了情境的定义、情景感知个性化推荐模型,并提出了一种基于情境信息降低维度的关联规则推荐模型.最后,以视频网站的web日志为数据源,融合时间情境因素,实现了基于时间情境划分的关联规则推荐算法,并和传统推荐算法进行对比分析,实验证明,情境感知推荐算法具有更高的准确率和召回率.     

基于情境感知的API个性化推荐

在软件开发的过程中,开发人员在遇到编程困境时通常会检索合适的API来完成编程任务.情境信息和开发者画像在有效的API推荐中起着至关重要的作用,却在很大程度上被忽视了.因而文中提出了一种基于情境感知的API个性化推荐方法.该方法利用程序静态分析技术,对代码文件做抽象语法树解析,提取信息构建代码库,并对开发者API使用偏好建模.然后计算开发者当前查询语句与历史代码库中查询的语义相似度,检索出top-k个相似历史查询.最终利用查询语句信息、方法名信息、情境信息以及开发者API使用偏好信息对API进行重排序并推荐给开发者.通过模拟编程任务开发的不同阶段,使用MRR,MAP,Hit,NDCG评估指标来验证所提方法的有效性.实验结果表明,所提方法的API推荐效果优于基准方法,能够为开发者推荐更想要的API.     

面向推荐系统的分期序列自注意力网络

在推荐系统中,为了充分表达用户反馈数据内部的相互依赖和序列性,准确提取用户的长期/一般偏好、应对数据的动态性,本文提出了一种分期序列自注意力网络(long-term & short-term sequential self-attention network,LSSSAN)进行序列推荐。模型采用自注意力机制和GRU捕捉了用户反馈数据之间的相互依赖和序列性;模型采用注意力机制为不同反馈数据赋予不同权重以动态捕捉重点信息,同时考虑了上下文的动态性;模型基于用户的长期反馈数据,准确表达了用户的长期/一般偏好。该模型在两个数据集上进行训练和测试,结果表明该模型的推荐效果整体优于之前的相关工作。     

面向访问序列模式的页面推荐方法

为了提高页面推荐质量,给出面向访问序列模式的页面推荐方法。此方法采用Web访问序列模式结果进行推荐,用树形结构存储挖掘得到的Web访问序列模式,在树形结构的基础上进行页面匹配。采用可变活动窗口技术,并引入页面选择关注度和页面平均访问度概念,将页面选择关注度、页面平均访问度与规则的可信度相结合作为页面推荐度进行推荐。实验验证了面向访问序列模式的页面推荐方法的可行性和有效性,此方法可以有效地提高推荐的准确率,并具有较好的综合测度。     

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%。     

用户情境感知的流式移动应用推荐

在目前流式应用分发系统中,客户端的移动应用分发都是依靠系统后台管理员人工操作或者简单地依靠位置信息为用户分发应用,没有考虑到用户在不同的情境活动下对应用的需求差异问题。针对上述问题,提出一种基于用户情境感知的流式应用推荐机制。该机制通过采集流式应用场景下用户的情境信息数据,利用机器学习Xgboost算法识别用户情境活动,并根据识别的用户情境来为用户推荐应用。同时,利用用户的反馈信息进一步提高用户个性化应用推荐的准确度。实验结果表明,Xgboost算法在准确率和时间开销上性能优于传统算法,在流式应用分发系统中有很高的实际应用价值。     

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。     

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。     

基于情境感知的餐饮O2O推荐系统研究

餐饮O2O推荐具有情境敏感性,而普适计算和移动互联网的发展为更全面、更实时的情境信息的获取提供了基础,也使得对情境与推荐对象进行知识表示和推理成为提高推荐质量的关键。充分考虑移动商务活动中情境对用户需求的影响,设计了基于情境感知的领域本体模型结构并研究模型的实例化,通过规则推理实现餐饮O2O推荐。在此基础上,提出基于关联分析的情境规则生成方法,根据用户的历史行为挖掘情境与推荐对象的通用关联模式。并通过基于内容推荐的用户兴趣模型与菜品特征模型来表示个人对菜品的特殊兴趣偏好,构建了基于情境和基于内容相融合的混合推荐系统。实验结果表明,该方法有效解决了基于内容推荐的用户冷启动问题,并可以提高餐饮O2O推荐的准确性。     

基于自注意力网络的共享账户跨域序列推荐

共享账户跨域序列推荐(shared-account cross-domain sequential recommendation,SCSR)是指在多个用户共同使用一个账户和用户的行为会在多个域中产生的情况下,给该账户推荐下一个可能会点击的项目.与传统的序列推荐任务相比,共享账户跨域序列推荐主要面临2方面的挑战:1)每一个账户里的交互行为是由多个用户产生的,并且这些用户的行为是混合在一起的;2)用户在1个域中产生的交互行为可能会提升推荐系统对该用户在其他域的推荐质量.目前,已有的一些相关工作大都是基于循环神经网络(recurrent neural network,RNN)的方法,但由于RNN本身固有的一些缺陷,导致基于RNN的方法不仅非常耗时,而且不能够很好地捕获交互行为之间的长期依赖关系针对SCSR问题,提出了基于自注意力的跨域推荐模型(self-attention-based cross-domain recommendation model,SCRM)来解决这2个挑战具体而言,首先引入1个多头自注意力网络来建模1个共享账户中多个用户参与的交互行为.然后,提出了一个基于多层交叉映射感知网络的跨域传输单元,以实现借助一个域的信息来提高另一个域的推荐质量最后,通过一个混合推荐解码器整合了来自2个域的信息以实现在不同域中的推荐.在真实数据集HVIDEO上进行了实验,实验结果表明,与目前最新的基准方法相比,所提出的模型能在MRR和Recall 这 2个指标上取得了更加优异的结果;在运行效率上,比基于RNN的方法取得了更短的训练和学习时间.     

动态层次Transformer序列推荐算法

序列化推荐任务根据用户历史行为序列,预测下一时刻即将交互的物品.大量研究表明:预测物品对用户历史行为序列的依赖是多层次的.已有的多尺度方法是针对隐式表示空间的启发式设计,不能显式地推断层次结构.为此,该文提出动态层次Transformer,来同时学习多尺度隐式表示与显式层次树.动态层次Transformer采用多层结构...     

情境感知推荐中的上下文宽松匹配方法研究

情境感知推荐是一种有效的推荐方法,但存在难以确定有效上下文变量的问题,使用过多的上下文变量会导致数据维度的上升及推荐准确性的下降。提出一种将推荐算法分解,以各分解部分为上下文匹配主体,且采取宽松匹配的上下文信息匹配策略。形成了一种融合上下文预过滤和上下文建模的混合推荐算法。通过同其他类型算法的性能对比实验证明了该方法在确定有效上下文变量及提高推荐算法准确性上的有效性。     

基于序列到序列模型的代码片段推荐

在软件开发过程中,开发者经常会以复用代码的方式,提高软件开发效率。已有的研究通常采用传统的信息检索技术来实现代码推荐。这些方法存在自然语言查询的高层级的意图与代码的低层级的实现细节不匹配的问题。提出了一种基于序列到序列模型的代码片段推荐方法DeepCR。该方法结合程序静态分析技术与序列到序列模型,训练自然语言查询生成模型,为代码片段生成查询,通过计算生成的查询和开发者输入的自然语言查询的相似度得分来实现代码片段推荐。所构建的代码库的数据来源于Stack Overflow问答网站,确保了数据的真实性。通过计算代码片段推荐结果的平均倒数排名(MRR)和Hit@K来验证方法的有效性。实验结果表明,DeepCR优于现有研究工作,能够有效提高代码片段推荐效果。     

基于情境感知的移动餐饮个性化推荐模型研究

针对当前移动餐饮个性化推荐存在的准确度差和自适应性差等问题,提出利用本体构建技术和情境感知技术来实现个性化推荐。对移动餐饮平台的情境要素进行了全面的分析,建立了基于情境感知的移动餐饮个性化推荐模型框架,构建了情境语义的两层本体模型,并介绍了推荐模型运行的基本工作流程,重点介绍了情境获取、情境推理、情境更新合成和规则匹配关键环节,以期提高个性化推荐服务的质量和效果。     

基于情境相似的知识个性化推荐系统研究

知识情境是知识创造和运用的具体环境和背景,融合知识情境的知识个性化推荐系统是提高知识重用效率和共享特性的重要手段。提出了在知识个性化推荐系统中添加知识情境,使用多层多维度建模方法构建知识情境模型,通过知识情境的相似性评估,将与当前目标情境相似度满足特定值的历史情境所关联的知识推荐给目标用户。实验表明,此方法一定程度上能提高知识个性化推荐的效率。     

基于多源情境协同感知的药品推荐

电子医疗记录的快速积累与数据分析技术的日益成熟,为实现包含智能诊断与药品推荐等功能的智慧医疗服务奠定了基础.然而,电子病历的精简性与患者症状描述的模糊性,导致诊断模型容易受到高发疾病与常见症状的干扰,从而无法支撑细粒度的诊断与处方,在药品推荐上缺乏针对性.与此同时,病情描述以外的许多情境信息,如患者的性别、年龄等个人信息,诊疗过程、检查结果等记录信息,以及所在地的天气、温差等外部信息等,也对于细化对于患者的诊断和处方有着重要的辅助作用.然而,这些多源异构信息往往难以被现有技术所有效提取与整合,从而限制了病情诊断与药品推荐的有效性.针对这一问题,提出了一种基于多源情境协同感知的药品推荐方法,在有效整合多源异构情境信息的基础上,为实现病情诊断与药品推荐提供了具有可解释性的依据.具体而言,首先使用词袋模型对病历和相应的情境数据进行处理,然后设计了一种基于LDA模型的情境主题模型Medicine-LDA,在融合患者病情描述与相应情境信息的同时,有效缓解了情境信息组合爆炸的问题.基于某大型三甲医院的电子病历数据集上的对比实验证明了该方法的有效性与鲁棒性.     

带有时间预测辅助任务的会话式序列推荐

会话式序列推荐旨在根据短期匿名行为序列预测该用户近期行为,因为该任务设定考虑了用户偏好的变化而备受学术和工业界关注.现有方法集中于以单任务模式预测下一交互对象,忽略了行为时间预测辅助任务中的额外语义.在面向事件、地点的一般序列推荐问题中,有少数方法以并行方式同时预测下一交互对象及对应时间,然而这并不完全契合用户先产生交互意图再选择合适时间的实际情况.为缓解上述问题影响,本文提出了一种基于序列式多任务学习的会话式序列推荐方法,具有两方面特色.首先,该方法通过将下一交互对象预测结果作为下一时间预测的输入,赋予两个任务顺序依赖性.相比于传统的并行式交互对象和时间预测方式该方法耦合性更强.其次,本文开发了一种经过改进的双向时间间隔感知自注意力方法,使得会话中每个位置可以融合来自左右两侧的交互对象及时间间隔信息.相比于过去的单向会话式序列推荐方法增强了建模会话上下文的能力,该方法有利于更好地刻画用户兴趣表征.本文在Tianchi电商数据集、Lastfm音乐数据集以及Foursquare地点行为轨迹数据集上进行了实验.结果 表明:(1)所提出方法在常用序列推荐指标上一致优于所采用的比较方法.特别地,在NDCG@5评价指标上比最好的基线方法TiSASRec平均提高13.51％;(2)序列式多任务学习和双向时间间隔感知自注意力机制对于预测性能均能带来正面提升.