摘要
大数据时代，信息技术飞速发展，信息过载问题愈发严重，快速而准确的得到有效信息成为了新的挑战。信息过载难题可以用推荐系统解决，也是一种非常有效的信息过滤的方法，它可以根据用户的兴趣喜好帮助用户快速地获取信息。序列推荐将用户与项目的交互视为动态序列，通过对用户与项目的交互序列进行建模，可以根据用户的兴趣变化对其下一个行为进行预测。 现有的序列推荐研究方法存在以下两个问题:一是对序列建模的能力有限，不能很好的建模长距离序列依赖关系，二是用户在行为序列中的兴趣是复杂多变的，捕捉用户兴趣特征的能力不足。本文针对上述问题进行了深入研究，提出了两种序列推荐模型，本文主要的相关工作如下: 1、针对现有的方法对序列建模的能力有限和不能很好的建模长距离序列依赖关系问题，本文提出了基于门控循环单元和多头注意力机制的序列推荐模型(GRU-MAMSR),它具有强大的特征抽象能力和模型表达能力。序列建模过程中存在长距离顺序依赖关系的问题，而GRU-MAMSR能够改善这样的问题。在神经网络训练过程中此模型可以减轻梯度消失问题并且让模型参数得到减少，从而使模型训练效果更好。 2、针对用户在行为序列中的兴趣复杂多变，现有的序列推荐研究方法捕捉用户兴趣特征的能力不足问题，本文提出了基于卷积神经网络和多头注意力机制的序列推荐模型(CNN-MAMSR)，该模型可以有效地了解用户行为中的偏好，更好的考虑用户动态兴趣，提高推荐模型的准确性。此外，CNN-MAMSR可以获取不同项目之间的依赖关系，更好地捕捉用户对项目的兴趣，因此获得的推荐效果也比较好。 本文设计的序列推荐模型与其他较好的推荐模型在三个公共数据集Amazon_Beauty、MovieLens-1M和Amazon_Games上进行了实验，从实验结果可以得出，本文提出的模型能在HR@K、MRR@K和NDCG@K上取得更好的推荐效果，从而验证了本文提出的GRU-MAMSR和CNN-MAMSR是有效的。
NETL