摘要
推荐系统作为一种个性化的信息过滤工具，随着大数据时代的到来得到了越来越广泛的应用。与此同时，推荐系统也面临着发展和挑战，比如数据稀疏性、缺乏可解释性等问题。现有的推荐模型难以处理稀疏的结构化数据，忽略了用户行为序列蕴藏的偏好信息，并且无法为推荐结果提供合理的解释。为解决上述问题，本文围绕点击率预测任务，深入研究基于深度学习的推荐算法，提出了两种可解释个性化推荐模型，并设计实现了一个金融产品推荐系统。本文主要贡献如下： 1.提出基于显式稀疏注意力机制的推荐模型ESAtInt，以解决结构化数据稀疏，特征交互难以建模的问题。首先，ESAtInt自动将高维稀疏特征映射到低维稠密的注意力空间，通过堆叠基于显式稀疏注意力网络的交互层，得到有意义的特征交互。然后，ESAtInt根据不同特征交互的注意力分布不同，可以对推荐结果进行特征交互层面的解释。最后，实验结果表明该算法的衡量指标AUC得到了提高并且在特征交互层面具有可解释性。 2.提出基于会话图注意力网络和知识增强的可解释个性化推荐算法DS-KGAT，以解决序列推荐算法在捕捉复杂的用户偏好时表达能力有限，难以从交互序列中获得用户细粒度兴趣的问题。首先，DS-KGAT将用户序列划分为多个会话从而构建会话图，使用会话图注意力网络模拟用户兴趣的时间演化。同时内置知识增强模块，将用户的会话兴趣在知识实体集合上进行传播以形成用户多层次的偏好。最后，DS-KGAT通过追溯用户的兴趣传播路径，能为对目标产品的推荐解释提供依据。实验结果表明该算法具有较好的有效性和可解释性。 3.为了验证本文提出的可解释个性化推荐算法的可行性，实现了一个基于ESAtInt和DS-KGAT的金融产品推荐系统。该系统框架使用Flask框架，数据存储使用MYSQL数据库，并通过Web端浏览器与用户进行人机交互。该推荐系统可以为用户提供金融产品推荐服务，向用户展示金融产品的代码，发行价格等信息。同时还提供可解释推荐功能，进行推荐的同时列出推荐理由。
NETL