摘要
在当前互联网飞速发展的背景下，传统的推荐方法逐渐被淘汰，新兴的社会化推荐，序列化推荐逐渐成为主流推荐方法。当前序列化推荐研究者把重点放在建模用户交互序列中的物品上，捕获物品与物品之间的顺序过渡模式。因此忽略了用户在交互序列中所做出的行为，无法捕获用户更深层次的兴趣。同时当前序列化推荐研究者也没有考虑用户交互序列中会出现物品稀疏的问题。最后，序列化推荐研究者也没有考虑到不同交互上下文对于待推荐物品的影响也是不同的，在不同上下文下用户的长短期偏好所起到的影响程度也是不同的。借着前人的研究工作，本文所做的工作以及贡献如下： （1）针对现有序列化推荐模型将重点放在对会话中物品进行建模，而忽略了会话中用户和物品的交互方式的问题，本文提出一种改进的序列化模型SR-IUB。该模型一方面通过区分会话中用户与物品之间不同的交互行为获得用户对物品的深层次兴趣，进而丰富用户嵌入表示；另一方面，将会话信息转为有向加权图，设计一种边权重计算方法衡量物品之间的关联性。实验表明，SR-IUB在电商数据集亚马逊上，评价指标击中率、平均倒数排名提高了1.41%到3.12%，证明了该模型的合理性和有效性。 （2）针对现有的序列化推荐中出现的物品上下文关联性单一的问题，在SR-IUB基础上提出新模型SR-IUBamp;IA。该模型在原有基础上利用物品属性（如：价格，材料，产地等）学习物品上下文关联性，并缓解数据稀疏问题。具体地，模型利用知识图谱构建物品属性图获取物品属性信息，通过物品间属性解释物品上下文之间的关联，并提出主从任务范式将物品属性特征作为额外信息辅助主任务进行推荐。实验结果表明，新提出的模型较其他模型在数据稀疏的情况下也有比较好的效果，在击中率、平均倒数排名评价指标上提高了5.25%~6.72%。 （3）针对现有的序列化推荐模型把会话中用户所交互的物品视为对下一项待推荐物品有相同的重要程度，以及用户长短期偏好在当前上下文推荐过程中所占比重不清楚的问题，提出了双层网络挖掘用户偏好的算法。在第一层注意力网络结构中，本文采用带有注意力机制的神经记忆网络结合用户历史会话嵌入计算当前序列中物品的注意力权重。在第二层注意力网络中，将带权重的上下文信息结合门控循环单元的当前隐藏层输出组成的神经网络记忆单元，再用注意力机制计算出当前记忆单元所占的权重，即短期偏好的权重。然后结合用户历史购物信息和当前上下文的嵌入通过注意力机制计算出当前上下文的长期偏好所占权重。实验结果表面，在击中率评价指标上提高了3%左右，归一化折扣累积增益评价指标提高了7%左右。
NETL