摘要
随着科学技术的飞速发展，人们对生活品质追求迅猛提高。在线上虚拟化扩展的网络服务比起实体服务，更具有潜力、灵活性和可扩展性，给人们生活带来巨大的便利的同时也带来了信息过载的问题。在此背景下，大量的电商平台开始通过推荐系统发掘用户兴趣，提高用户对平台的忠诚度，帮助用户甄选优质内容。本论文总结近年来序列推荐的研究现状，主要从用户的行为偏好层面出发，通过用户的历史行为序列数据分析，一方面研究融合长短期兴趣的联合学习序列推荐算法，另一方面研究基于时间间隔的多模态特征表示的序列推荐算法。主要研究内容如下: 1.从多视角角度出发，本文提出一种融合用户长短期偏好的联合学习序列推荐模型。首先，引入空洞因果卷积构建大跨度历史序列的同时将用户历史行为序列从水平和垂直方向进行解耦，充分挖掘细粒度的用户长期偏好。其次，叠加多重自注意力机制来学习更复杂的特征转换，并综合考虑向量维度之间的关系，进一步得到用户在当前阶段的短期偏好动态表征。最后，通过双重嵌入用户长短期偏好，实现构建用户偏好并预估候选商品序列。 2.从多维度角度出发，本文提出一种基于时间间隔的多模态特征表示序列推荐模型。首先，构建物品多模态嵌入特征表示，从物品的视觉信息、类目信息和条目信息的多模态嵌入属性中学习物品特征表示。其次，充分考虑物品顺序的绝对位置同时也考虑交互上实际的时间戳，建模基于时间感知的自注意力机制，引入物品之间的个性化时间戳，结合用户交互物品的绝对位置信息和相对位置信息,进一步对序列进行更加精确的建模。最后，对目标用户下一个购买的物品进行预测并推荐。 本文在公开数据集上对所提出的算法进行了实验验证分析。通过对这些实验结果分析，可以证明模型的有效性和可行性。研究表明，本文所提出的算法模型不仅能够有效挖掘特征中的用户偏好信息，更精确的表达用户偏好，同时能够提升电商平台的推荐准确性。
NETL