文档详情

基于神经网络的多兴趣序列推荐方法研究.pdf

发布:2025-05-23约10.89万字共64页下载文档
文本预览下载声明

基于神经网络的多兴趣序列推荐方法研究

摘要

近年来,推荐系统在社交网站、电子商务、影音娱乐等领域成为必不可少的工具。

序列推荐将一系列“用户行为交互序列”作为输入,并尝试通过对嵌入在用户物品中的

复杂序列依存关系进行建模来预测不久的将来可能发生的后续用户物品交互,通过使用

效用函数的最大化来生成由排名最高的候选物品组成的推荐列表。多兴趣序列推荐目的

是为用户生成多个向量,可以更精准地获取用户兴趣。

针对现有的多兴趣序列推荐存在的数据稀疏问题,本文提出了基于生成对抗网络的

多兴趣序列推荐模型MIGAN_Rec。在MIGAN_Rec模型中,通过用户行为序列扩充层

得到预测序列。在用户行为序列扩充层中,生成器用于预测用户的下一次点击,判别器

用于判断生成器生成的推荐序列是否为真。本论文在AmazonBooks和Taobao数据集上

对MIGAN_Rec模型进行实验,实验结果表明MIGAN_Rec模型相比其他模型在多兴趣

序列推荐中可以取得更好的效果,但在具有复杂数据类型的多兴趣序列推荐中性能的提

升受到了限制。

MIGAN_Rec模型虽然在一定程度上解决了数据稀疏问题,但是没有获取用户动态

偏好。为了可以很好地获取用户动态偏好,本文提出了基于神经网络的多兴趣序列推荐

模型MIGANGCN_Rec。MIGANGCN_Rec模型在MIGAN_Rec模型的基础上提出了用

户动态偏好获取层并将在用户序列扩充层中得到的预测序列输入到用户动态偏好获取

层中得到物品表示向量。在用户动态偏好获取层中,对每个物品节点及其相对应的邻居

节点采用图卷积网络进行迭代表示学习。本论文在AmazonBooks和Taobao数据集上对

MIGANGCN_Rec模型进行实验,实验结果表明MIGANGCN_Rec在获取用户的动态偏

好中可以取得更好的效果,其中在较为复杂的数据集Taobao上提升效果十分明显。

本论文提出的MIGAN_Rec模型利用生成对抗网络在多兴趣序列推荐中解决了用户

行为序列数据稀疏问题,可以高效地进行推荐。对于复杂数据类型的多兴趣序列推荐,

提出模型MIGANGCN_Rec获取了用户动态偏好,增强了多兴趣序列推荐的效果。

关键词:多兴趣序列推荐;生成对抗网络;图卷积网络;用户动态偏好

基于神经网络的多兴趣序列推荐方法研究

Abstract

Inrecentyears,recommendationsystemshavebecomeindispensabletoolsinsocial

networkingsites,e-commerce,videoandentertainment,andotherfields.Thesequential

recommendationistakenaseriesofuserbehaviorinteractionsasinput,triedtomodelthe

complexsequencedependenciesembeddedinuser-itemtopredictthesubsequentuser-item

interactionsthatmayoccursoon,generatedarecommendationlistconsistingofthehighest

rankedcandidatesbyusingthemaximizationofutilityfunctions.Thepurposeofthe

multi-interestsequentialrecommendationistogeneratemultiplevectorsforusers,whichcan

obtainusersinterestsmoreaccurately.

Accordingtodatasparsityproblemoftheexisti

显示全部
相似文档