會話型推薦系統(tǒng)是推薦系統(tǒng)中一個新興的研究領域,它將用戶的順序交互行為序列按照會話進行劃分,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)絡的架構,其主要思想是利用循環(huán)神經(jīng)網(wǎng)絡出色的序列化建模能力來捕捉用戶在當前會話中表現(xiàn)出來的短期偏好,進而完成推薦。然而這種方法僅關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慣,這導致了基于循環(huán)神經(jīng)網(wǎng)絡的會話型推薦系統(tǒng)中普遍存在的冷啟動問題。盡管學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)絡來對用戶的歷史會話序列進行建模,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制的會話型推薦系統(tǒng)模型。該模型采用分層的網(wǎng)絡結構,第一層網(wǎng)絡負責建模用戶在當前會話中的短期行為,該網(wǎng)絡在傳統(tǒng)基于循環(huán)神經(jīng)網(wǎng)絡的會話型推薦系統(tǒng)的基礎上增加了一個用戶的嵌入向量作為網(wǎng)絡的輸入,使得網(wǎng)絡能夠捕捉更具個性化的用戶短期行為偏好,進而提升模型推薦的準確率... 

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

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

不同學習率下的更新示意圖

一個循環(huán)神經(jīng)網(wǎng)絡來捕捉用戶在當前會話中的短期行為偏好，同時使用另一個獨環(huán)神經(jīng)網(wǎng)絡來對用戶的長期行為進行建模，之后將用戶的長期行為習慣和短期行進行融合，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)話推薦模型的基礎上，提出了一種新的基于分層循環(huán)神經(jīng)網(wǎng)絡的模型（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)絡結構示意圖如圖示：

圖 4-3 數(shù)據(jù)集劃分方式?jīng)]有采取機器學習任務中常見的隨機劃分訓練集測試集的方為推薦系統(tǒng)的任務是對用戶過去的行為建模來預測他們在未取隨機劃分的方式，可能使得訓練出來的模型無法很好地捕性，從而導致模型在實際應用中的性能與訓練時的結果產生訓練過程述的預處理流程，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慣和偏好，模型會將 { , +1 ,…, } 輸入到一個基

【參考文獻】：
期刊論文
[1]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[2]基于點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.  小型微型計算機系統(tǒng). 2009(07)

博士論文
[1]基于排序學習的信息檢索模型研究[D]. 程凡.中國科學技術大學 2012

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



本文編號：3523150