摘要
随着移动互联的蓬勃发展，海量数据充斥在各大互联网媒介中，如何进行有效的信息筛选成为亟待解决的问题。推荐系统能够为用户提供个性化的决策支持和服务推荐，而序列推荐作为一类时间感知的推荐任务，通过挖掘用户的历史交互序列，对用户下一个行为进行预测。考虑到目前诸如短视频观看、商品浏览等交互行为有着很强的时序关联性，因此序列推荐有着广阔的应用前景。 目前很多学者已经对序列推荐进行了多样化研究，本文在调研现有的各类序列推荐模型后，认为当下工作过于注重挖掘交互序列物品带来的位置信息，而忽略序列之外的已知偏好的反馈性和外部知识的语义性，缺乏对用户已知偏好以及多层次兴趣的建模。因此本文在已有的算法理论基础上，开展了诸多探索和研究，主要工作如下： （1）提出一种基于Transformer的评分感知序列推荐模型。利用多头注意力机制，并行地在独立子空间中构建全局的物品关联属性。此外，将用户评分引入到用户偏好建模中，将归一化评分信息与软注意力权重相结合，构建含自适应权重的用户偏好。并根据物品嵌入分别构建用户局部偏好与全局偏好，有效地兼顾了时序信息和用户偏好共存建模的问题。 （2）提出一种具有知识感知多兴趣模块的注意力序列推荐模型。该模型一方面堆叠自注意力层以确保物品位置信息的建模；另一方面利用序列物品在知识图谱中的连通邻居进行序列划分，将每个连续子序列视为用户潜在的与时间相关的兴趣点，并通过子序列内聚以及门控网络进行兴趣信号的聚合，以此构建含时序性和语义性的多兴趣表征，并利用合适的掩码手段以及正负采样策略进行下一交互物品的强化训练，有效地使用语义条件下的多兴趣聚合，提升序列推荐的性能。 （3）提出了一种基于一阶连通知识图谱的图嵌入增强序列推荐模型。该模型从知识层级以及注意力层级两个层级进行非端到端的建模。并通过构建一阶连通知识子图，使用不同图嵌入算法进行知识子图的嵌入作为物品的预训练特征。此外，使用可学习的位置编码进行绝对位置信息的记录，另一方面使用自注意力层的全局权重进行相对位置的记录；最后实验中重点对比不同图嵌入方式的嵌入性能以及对推荐模型的影响。
NETL