摘要
为了解决信息过载问题，提高数据利用率，人们提出了推荐系统（RS）以过滤海量数据，为用户选择需要的信息资源。传统推荐系统将用户偏好视为静态特征，忽略了用户动作的顺序连贯以及动态衍化性。然而用户与商品对象之间的交互发生在一段序列中，在推测用户意图时，用户的历史交互顺序和交互内容同样重要，因此基于用户行为模式的序列推荐系统（SRS）逐渐成为推荐系统领域的新范式。 用户行为往往与其现实中的需要所对应，生长环境以及长期习惯也使得用户行为中存在某种模式。但由于客观环境的复杂多变以及用户主观意图的随机难测，用户的行为序列中常包含大量噪声数据，其中的序列行为模式难以提取。此外，随着新时代下在线电子服务的普及，涌现出越来越多的电子商务平台以及新用户，用户愈发强烈的隐私保护意识也使得高质量的用户个人信息更加难以获取。如何根据有限的数据为冷启动用户提供优质推荐同样是序列推荐亟待解决的问题之一。 本文针对以上两个问题设计解决方案，具体工作包含以下三个方面： (1)本文引入知识图谱中的语义信息，通过卷积门网络设计多通道信息融合模块，利用语义知识增强推荐序列中商品对象的表示，提升推荐过程中对商品的刻画能力。 (2)以注意力机制为基础，本文提出了一种特征增强模块来增强序列模式的可提取性，此外本文结合动态卷积网络来提高推荐算法灵活性，从而适应用户行为序列中的动态衍化特征。 (3)针对序列推荐中的冷启动用户，本文从热启动用户的全局信息中提取热点信息对冷启动用户进行信息补全，提升推荐算法对冷启动用户行为意图的推理能力。 本文在四个真实数据集上进行了实验。结果表明，本文提出的方法可以有效的从复杂序列数据中提取用户行为模式，为用户提供精确的推荐。此外，本文提出的推荐算法还可以有效提升对冷启动用户行为偏好的学习能力。
NETL