基于深度学习的长短期序列化推荐研究

【摘要】：近年来,推荐系统持续成为人们日常生活中的热门应用,它可以随时帮助人们在短时间内做出快速且精准的选择。传统的推荐系统都是根据用户长时间的历史行为以及身份信息进行推荐,然而实际过程中很多用户都是匿名登录,这样不但会导致系统面临冷启动问题而且实际的预测结果可能不符合用户的兴趣偏好。在这种情形下,传统的推荐系统显然不能满足社会的发展需求。为了解决这样的问题,基于会话的序列化推荐被提出。相较于传统的推荐系统,基于会话的序列化推荐是根据用户在当前会话中的点击序列进行预测,可以随时捕捉用户动态的兴趣变化。虽然序列化推荐相较于传统的推荐方法,预测性能上已经有了很大的改进,但是存在以下问题:首先用户会话序列中的时间上下文特征与会话序列内部之间的高阶特征不能被有效利用;其次如果直接地将长短期特征连接起来进行预测,导致用户的长短期特征不能被有效区分;而且用户行为序列中会话序列之间的时间间隔、会话序列中物品的类别以及物品在会话序列中出现的位置等特征都没有得到有效利用。针对以上问题,本文的主要工作如下:(1)本文提出了一种基于时间上下文与特征增强的序列化推荐(Time-aware Context and Feature Enhancement Sequential Recommendation,CAPNN)方法,它不但能够同时捕捉到时间上下文特征与会话序列内部之间的高阶特征,而且能够捕捉到用户的长短期兴趣特征。本文首先提取到用户会话序列中时间上下文特征即短期特征,然后提取到用户的长期特征。之后本文通过一层注意力机制对获取的长期特征进行降噪处理,将降噪处理之后的特征向量与点乘模型进行融合,获取到用户会话序列内部的高阶特征。最后,本文将上述获取到的特征结合起来进行推荐,实验结果证实了本模型的有效性。(2)上述工作没有对用户的长短期兴趣特征进行区分,这样将会导致推荐系统无法判断用户的长短期特征对最终预测结果的影响。而且用户行为序列中的会话序列之间的时间间隔、会话序列中的物品类别以及位置特征都没有被利用起来。为此,本文提出了一种多特征感知的分层的序列化长短期推荐模型(Multi-feature aware hierarchical long and short-term sequential recommendation,MFHLS)。该模型融合了用户行为序列中会话序列之间的时间间隔、会话序列中物品的类别以及物品在会话序列中出现的位置等特征。该模型对用户的长短期特征进行区分,用两层的循环神经网络(Recurrent Neural Network,RNN)分别学习用户的长短期兴趣特征,最后将获取到的长短期特征结合起来进行推荐,实验结果证实了本模型的有效性。