會話型推薦系統(tǒng)是推薦系統(tǒng)中一個新興的研究領(lǐng)域,它將用戶的順序交互行為序列按照會話進(jìn)行劃分,根據(jù)用戶在會話中展現(xiàn)出來的興趣偏好,為其推薦在下一時刻可能感興趣的商品。當(dāng)前主流的會話型推薦系統(tǒng)都是基于循環(huán)神經(jīng)網(wǎng)絡(luò)的架構(gòu),其主要思想是利用循環(huán)神經(jīng)網(wǎng)絡(luò)出色的序列化建模能力來捕捉用戶在當(dāng)前會話中表現(xiàn)出來的短期偏好,進(jìn)而完成推薦。然而這種方法僅關(guān)注于用戶的短期偏好卻忽略了用戶在過去會話中的長期行為習(xí)慣,這導(dǎo)致了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的會話型推薦系統(tǒng)中普遍存在的冷啟動問題。盡管學(xué)者們針對冷啟動這一問題陸續(xù)提出了一些解決方案,但這類方法也僅是使用一個普通的循環(huán)神經(jīng)網(wǎng)絡(luò)來對用戶的歷史會話序列進(jìn)行建模,這使得它們對于用戶的歷史行為一視同仁,無法捕捉到不同會話和不同商品對用戶的重要程度的差異性。為了解決上述會話型推薦系統(tǒng)的不足,本文提出了一種新的基于分級注意力機(jī)制的會話型推薦系統(tǒng)模型。該模型采用分層的網(wǎng)絡(luò)結(jié)構(gòu),第一層網(wǎng)絡(luò)負(fù)責(zé)建模用戶在當(dāng)前會話中的短期行為,該網(wǎng)絡(luò)在傳統(tǒng)基于循環(huán)神經(jīng)網(wǎng)絡(luò)的會話型推薦系統(tǒng)的基礎(chǔ)上增加了一個用戶的嵌入向量作為網(wǎng)絡(luò)的輸入,使得網(wǎng)絡(luò)能夠捕捉更具個性化的用戶短期行為偏好,進(jìn)而提升模型推薦的準(zhǔn)確率... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同學(xué)習(xí)率下的更新示意圖

一個循環(huán)神經(jīng)網(wǎng)絡(luò)來捕捉用戶在當(dāng)前會話中的短期行為偏好，同時使用另一個獨(dú)環(huán)神經(jīng)網(wǎng)絡(luò)來對用戶的長期行為進(jìn)行建模，之后將用戶的長期行為習(xí)慣和短期行進(jìn)行融合，來改善冷啟動的現(xiàn)象。本小節(jié)將對兩種主流的用戶長期行為建模方法紹，并說明它們目前存在的不足。1.1 基于分層 GRU 的建模方法為了改善會話型推薦算法中的冷啟動問題，Quadrana 等人[27]在基于循環(huán)神經(jīng)網(wǎng)話推薦模型的基礎(chǔ)上，提出了一種新的基于分層循環(huán)神經(jīng)網(wǎng)絡(luò)的模型（H-RNerarchicalRNN）。該模型同樣使用一個普通的門控循環(huán)單元 來捕捉用戶在話中的短期偏好，同時新增了第二層門控循環(huán)單元 ，用于建模用戶跨會期行為習(xí)慣。此外，為了提升 在會話開始階段的推薦性能，模型選擇 的輸出向量來初始化 的原始隱藏狀態(tài)。其整體網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖示：

圖 4-3 數(shù)據(jù)集劃分方式?jīng)]有采取機(jī)器學(xué)習(xí)任務(wù)中常見的隨機(jī)劃分訓(xùn)練集測試集的方為推薦系統(tǒng)的任務(wù)是對用戶過去的行為建模來預(yù)測他們在未取隨機(jī)劃分的方式，可能使得訓(xùn)練出來的模型無法很好地捕性，從而導(dǎo)致模型在實(shí)際應(yīng)用中的性能與訓(xùn)練時的結(jié)果產(chǎn)生訓(xùn)練過程述的預(yù)處理流程，用戶 的行為序列已經(jīng)被劃分為多個長度, 2 ,…, } ，其中每個會話序列 又包含了用戶在該會話品 { , ∈ | = 1,2,…, }，各個物品按照用戶交互的時間戳階段，模型首先會取出用戶 在訓(xùn)練集中的 個最 +1,…, } ，作為用戶的長期行為序列。為了從用戶的該序習(xí)慣和偏好，模型會將 { , +1 ,…, } 輸入到一個基

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機(jī)學(xué)報. 2018(07)
[2]基于點(diǎn)擊流的電商用戶會話建模[J]. 袁興福,張鵬翼,劉洪蓮,王軍.  圖書情報工作. 2015(01)
[3]協(xié)同過濾推薦算法綜述[J]. 馬宏偉,張光衛(wèi),李鵬.  小型微型計算機(jī)系統(tǒng). 2009(07)

博士論文
[1]基于排序?qū)W習(xí)的信息檢索模型研究[D]. 程凡.中國科學(xué)技術(shù)大學(xué) 2012

碩士論文
[1]基于深度學(xué)習(xí)的會話型推薦系統(tǒng)研究[D]. 李京.山東大學(xué) 2018
[2]基于深度學(xué)習(xí)的推薦技術(shù)研究及應(yīng)用[D]. 史冬霞.電子科技大學(xué) 2018
[3]基于Time-LSTM的推薦系統(tǒng)[D]. 廖翊康.浙江大學(xué) 2018
[4]基于深度神經(jīng)網(wǎng)絡(luò)的用戶會話推薦算法研究[D]. 俞騁超.浙江大學(xué) 2016



本文編號：3523150