隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,推薦系統(tǒng)已經(jīng)廣泛地應(yīng)用于各類電子商務(wù)平臺和媒體流網(wǎng)站。目前大多數(shù)的推薦系統(tǒng)都是根據(jù)用戶的身份標(biāo)識和長期歷史行為來給出個性化的推薦方案。但是,在很多真實的應(yīng)用場景中用戶的身份標(biāo)識和長期歷史行為數(shù)據(jù)是無法獲得的。在這種情況下,傳統(tǒng)的推薦算法將不再適用。只能根據(jù)用戶在當(dāng)前會話中的點擊序列來給出相應(yīng)的推薦結(jié)果,這一種推薦方式又叫做會話型推薦系統(tǒng)。由于用戶行為的不確定性和會話所提供的信息有限性,會話型推薦系統(tǒng)仍然是一個非常具有挑戰(zhàn)性的問題。先前用來解決該問題的方法主要是基于循環(huán)神經(jīng)網(wǎng)絡(luò)的模型。但是循環(huán)神經(jīng)網(wǎng)絡(luò)內(nèi)在的串行運行機制會阻礙模型的并行化,降低模型的運行效率。最近,注意力網(wǎng)絡(luò)在這個問題上表現(xiàn)出了更大的優(yōu)勢。但是,現(xiàn)有的基于注意力網(wǎng)絡(luò)的方法都沒有顯式地利用到序列中的時序位置信息,上下文信息和局部特征。為了解決以上的這些問題,本文在現(xiàn)有的工作之上做了進一步改進,其主要的創(chuàng)新點如下:1.本文提出了一種位置感知的上下文注意力網(wǎng)絡(luò)模型,它能夠同時考慮物品的時序位置信息和上下文信息從而提高推薦的準(zhǔn)確性。它通過引入位置向量來對時序位置信息進行建模,并利用池化函數(shù)來生成上下文特征... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

會話型推薦任務(wù)示意圖

浙江大學(xué)碩士學(xué)位論文第2章相關(guān)概念及工作綜述圖2.1會話型推薦任務(wù)示意圖如圖2.1所示，本論文的任務(wù)就是基于用戶在當(dāng)前會話中的感興趣的商品序列來預(yù)測用戶的下一個可能喜歡的物品，本論文把這種方案稱為基于會話的推薦系統(tǒng)。由于用戶行為的不確定性以及會話所提供的信息非常有限，所以基于會話的推薦系統(tǒng)仍然是一個非常具有挑戰(zhàn)性的問題。由于研究需要，接下來筆者用數(shù)學(xué)符號語言來描述一下會話型推薦系統(tǒng)�；跁挼耐扑]系統(tǒng)的目的是根據(jù)用戶的當(dāng)前歷史行為來預(yù)測用戶接下來要點擊的物品。令I(lǐng)={1,2,...,|I|}表示數(shù)據(jù)中所有物品的集合，其中|I|表示該網(wǎng)站所有物品的總數(shù)。如圖2.2所示，每個會話都用S=[s1,s2,...,sN]來表示,它是由用戶在當(dāng)前會話中所交互過的物品組成的序列,其中si∈I表示用戶第i個點擊的項目，i是指這個物品出現(xiàn)在序列中的位置。為了防止混淆，本文用大寫S來表示會話序列，用小寫的s來表示序列中的一個物品標(biāo)號，用N表示整個會話的序列長度。另外，對于整個的會話序列S，本文會把前t個物品提取出來，形成一個子序列St=[s1,s2,...,st]，其中1≤t≤N。這個子序列是由前t個物品組成，所以又被稱作整個會話的前綴子序列。圖2.2會話型推薦系統(tǒng)架構(gòu)示意圖對于出現(xiàn)在集合I的每一條物品，本文都可以用一個嵌入式的向量（embed-11

浙江大學(xué)碩士學(xué)位論文第2章相關(guān)概念及工作綜述學(xué)習(xí)展現(xiàn)潛力之前，各種各樣傳統(tǒng)的推薦算法被用來解決這一問題。傳統(tǒng)的推薦算法也分成了三種：其一是基于矩陣分解的推薦方法；其二是基于最近鄰的推薦算法；最后是基于馬爾可夫鏈的序列化推薦算法。本小節(jié)將詳細地介紹這些傳統(tǒng)的推薦算法，并說明它們?nèi)绾螒?yīng)用在基于會話的推薦場景中。2.2.1基于矩陣分解的推薦算法矩陣分解是推薦系統(tǒng)中的一類經(jīng)典方法[22;23]，它原本被提出來是為了解決了評分預(yù)測的問題。然而在隱式反饋的相關(guān)問題中，我們不需要去預(yù)測用戶的評分，只需要去預(yù)測用戶最感興趣的物品。本文模型的主要目標(biāo)是把候選的物品按用戶喜好程度進行排序，然后給用戶推薦排序靠前的物品。常用的排序方法一般也可以分成點排序（pointwiseranking）和對排序（pairwiseranking）。點排序算法獨立地計算每一個物品的點擊概率，這可以看作是一種多分類的問題。而對排序方法則是每次比較兩個樣本點擊的概率，讓點擊概率更高的排的位置更前面。圖2.3貝葉斯個性化排序中用戶成對偏好示意圖13


本文編號：3125157