摘要
推荐系统可以分析和建模用户的历史行为，基于学习到的用户兴趣来生成推荐建议，降低信息过载带来的负面影响，改善用户体验。通常，用户行为是按顺序发生的，前后交互之间存在上下文依赖关系。序列推荐通过建模交互序列中的时序依赖关系来学习用户兴趣的表示，预测用户接下来的交互行为。 虽然序列推荐已经被广泛研究和应用，但是现有的方法仍然存在以下几个问题:第一，没有同时考虑用户短期兴趣的动态变化特性和长期兴趣的全局稳定特性。在学习用户兴趣时，没有充分建模短期序列中项目之间复杂的依赖关系和转移关系，没有根据用户偏好来区分不同项目特征的重要性。第二，在建模时没有考虑用户和项目的交互时间，只是基于交互发生的先后顺序，长时间间隔会导致项目之间的关联性降低。对于时间跨度不同的序列，建模重点应该是不同的。第三，只根据单一序列中的交互行为来建模用户兴趣，没有考虑序列之间重要的项目协同信息。当给定序列中的数据过于稀疏时，会导致模型无法做出准确预测。 为了提高推荐的准确度，针对上述问题，本文主要从以下三个方面进行研究: (1)基于自注意力机制的序列推荐算法。在短期兴趣建模中，自注意力机制可以并行计算其他项目对当前项目的重要程度，衡量了不同项目之间的相关性。在长期兴趣建模中，使用基于用户的门控网络来提取用户重点关注的项目特征。最终，组合短期兴趣和长期兴趣来预测用户接下来的交互行为。在两个数据集上的实验表明，对比其他方法，本文所提出的方法具有更准确的推荐效果。 (2)基于时间自注意力和多偏好学习的序列推荐算法。动态兴趣建模时，通过GRU得到用户在每个时间步的意图表示，使用时间门控自注意力机制来捕捉用户意图的动态变化，借助时间信息来建模用户兴趣的漂移过程，可以提高准确度。一般兴趣建模时，使用多偏好矩阵来分类用户的偏好，能够提高多样性。通过融合用户的动态兴趣和一般兴趣来为用户推荐项目。实验证明，在两种评价指标下，本文所提出的方法实现了最好的推荐效果。 (3)基于图神经网络的序列推荐算法。首先为给定序列构建项目协同图，通过改进的图注意力网络来聚合邻域的项目协同信息，同时考虑了两个项目之间的共现关系和时间约束关系。在建模动态兴趣时，使用时间门控来处理时间间隔对项目之间关联性的影响。在建模静态兴趣时，基于用户的注意力机制可以生成个性化的静态兴趣表示。本文所提出的方法可以同时结合序列内的项目信息和序列间的协同信息，实验结果表明，可以有效降低数据稀疏造成的影响，提供更加准确的推荐建议。
NETL