【摘要】：在當(dāng)今信息爆炸的時(shí)代,個(gè)性化推薦系統(tǒng)(personalized recommender systems)是面向用戶的互聯(lián)網(wǎng)產(chǎn)品的核心技術(shù)。推薦系統(tǒng)可以幫助用戶獲取所需要的信息,改善信息超載的問(wèn)題。推薦系統(tǒng)的技術(shù)核心是對(duì)用戶歷史、物品屬性和上下文等信息進(jìn)行建模,推斷出用戶的興趣愛(ài)好,并向用戶推薦感興趣的物品。因此,實(shí)用的推薦算法需要有很強(qiáng)的擴(kuò)展性,可以方便地融合各種輔助信息。在眾多的輔助信息中,有一類(lèi)較為特殊,即擁有網(wǎng)絡(luò)結(jié)構(gòu)的信息(network-structured information),例如,用戶之間的在線社交網(wǎng)絡(luò)(social network),以及物品之間的知識(shí)圖譜(knowledge graph),甚至用戶和物品的交互本身就構(gòu)成了一個(gè)交互圖(interaction graph)。網(wǎng)絡(luò)結(jié)構(gòu)的信息為推薦算法提供了豐富的輔助輸入,然而如何有效地利用這種高維結(jié)構(gòu)數(shù)據(jù),成為推薦系統(tǒng)中的一個(gè)富有挑戰(zhàn)性的問(wèn)題。近年來(lái),網(wǎng)絡(luò)特征學(xué)習(xí)(network representation learning)逐漸成為機(jī)器學(xué)習(xí)中的一個(gè)熱門(mén)的研究方向。網(wǎng)絡(luò)特征學(xué)習(xí)試圖為一個(gè)網(wǎng)絡(luò)中的每一個(gè)節(jié)點(diǎn)學(xué)習(xí)得到一個(gè)低維表示向量,同時(shí)保持其原有的結(jié)構(gòu)信息。由于推薦系統(tǒng)中天然存在著大量的網(wǎng)絡(luò)結(jié)構(gòu),因此,將網(wǎng)絡(luò)特征學(xué)習(xí)與推薦系統(tǒng)相結(jié)合,用網(wǎng)絡(luò)特征學(xué)習(xí)的方法去處理推薦系統(tǒng)中的相關(guān)特征,可以有效地增強(qiáng)推薦系統(tǒng)的學(xué)習(xí)能力,提高推薦系統(tǒng)的精確度和用戶滿意度,從而為現(xiàn)實(shí)生活中的各類(lèi)互聯(lián)網(wǎng)應(yīng)用提供更優(yōu)良的用戶體驗(yàn),進(jìn)而減輕信息爆炸帶來(lái)的負(fù)面影響,提升整體經(jīng)濟(jì)效率。本文的主題為基于網(wǎng)絡(luò)特征學(xué)習(xí)的個(gè)性化推薦系統(tǒng)。本文的研究?jī)?nèi)容和主要貢獻(xiàn)如下:一,研究應(yīng)用于推薦系統(tǒng)交互圖的網(wǎng)絡(luò)特征學(xué)習(xí)方法。在推薦系統(tǒng)中,用戶和物品之間的顯式反饋或隱式反饋構(gòu)成了一個(gè)有權(quán)重或無(wú)權(quán)重的交互圖。因此,本文提出從網(wǎng)絡(luò)特征學(xué)習(xí)的角度來(lái)設(shè)計(jì)推薦算法模型。我們提出了GraphGAN,一個(gè)將生成式方法和判別式方法進(jìn)行統(tǒng)一的聯(lián)合模型。在該聯(lián)合模型中,判別器和生成器之間進(jìn)行對(duì)抗式的訓(xùn)練(adversarial training):生成器試圖擬合網(wǎng)絡(luò)中節(jié)點(diǎn)之間的真實(shí)連接性概率分布,并為給定節(jié)點(diǎn)生成出其“偽”鄰居;判別器試圖為給定節(jié)點(diǎn)區(qū)分它真實(shí)的鄰居和由生成器生成出的“偽”鄰居。兩者之間的對(duì)抗學(xué)習(xí)會(huì)迫使它們?cè)谟?xùn)練中各自提高生成或判別能力。最后學(xué)習(xí)得到的模型可以用來(lái)刻畫(huà)用戶或者物品的特征,并應(yīng)用于推薦系統(tǒng)場(chǎng)景。二,研究社交網(wǎng)絡(luò)輔助的推薦系統(tǒng)。在很多推薦場(chǎng)景中,用戶端都會(huì)存在一個(gè)在線社交網(wǎng)絡(luò)。根據(jù)同質(zhì)性假設(shè),兩個(gè)在社交網(wǎng)絡(luò)中關(guān)系緊密的用戶的偏好也很可能會(huì)相似。因此,使用社交網(wǎng)絡(luò)的信息來(lái)輔助推薦算法有重要的實(shí)際意義。本文研究?jī)煞N將社交網(wǎng)絡(luò)信息和推薦系統(tǒng)進(jìn)行融合的方法:(1)基于特征的方法(embedding-based method)�；谔卣鞯姆椒〞�(huì)先用網(wǎng)絡(luò)特征學(xué)習(xí)技術(shù)將社交網(wǎng)絡(luò)中的節(jié)點(diǎn)(即用戶)映射到低維連續(xù)空間,然后將用戶的低維特征用于后續(xù)推薦任務(wù)。特別地,本文提出SHINE模型。SHINE模型在微博明星推薦任務(wù)中利用自編碼機(jī)挖掘用戶的社交關(guān)系,并輔助推薦系統(tǒng)的決策。(2)基于結(jié)構(gòu)的方法(structure-based method)。基于結(jié)構(gòu)的方法會(huì)對(duì)社交網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行更加直接地利用。特別地,本文研究微博投票推薦任務(wù)中用戶端的社交網(wǎng)絡(luò)結(jié)構(gòu)對(duì)投票參與度的影響。我們?cè)O(shè)計(jì)了一種聯(lián)合矩陣分解模型JTS-MF,將用戶的關(guān)注/被關(guān)注信息和用戶的群組信息融合到推薦系統(tǒng)的設(shè)計(jì)中。實(shí)驗(yàn)結(jié)果一致表明,社交網(wǎng)絡(luò)的引入對(duì)推薦系統(tǒng)性能的提高有非常關(guān)鍵的作用。三,研究知識(shí)圖譜輔助的推薦系統(tǒng)。在很多推薦場(chǎng)景中,物品可能會(huì)包含豐富的知識(shí)信息。物品端的知識(shí)圖譜強(qiáng)化了物品之間的聯(lián)系,為推薦提供了豐富的參考價(jià)值。類(lèi)似地,本文提出兩種將知識(shí)圖譜引入推薦系統(tǒng)的方法:(1)基于特征的方法。本文首先使用知識(shí)圖譜特征學(xué)習(xí)方法學(xué)習(xí)實(shí)體和關(guān)系的低維向量表示,這些低維表示可以用于后續(xù)的推薦系統(tǒng)。根據(jù)知識(shí)圖譜特征學(xué)習(xí)和推薦系統(tǒng)這兩個(gè)任務(wù)的訓(xùn)練次序的不同,這類(lèi)方法又分為依次學(xué)習(xí)法(one-by-one learning)和交替學(xué)習(xí)法(alternate learning)。相應(yīng)地,本文提出兩個(gè)模型DKN和MKR。DKN使用卷積神經(jīng)網(wǎng)絡(luò)和注意力網(wǎng)絡(luò)分別學(xué)習(xí)新聞標(biāo)題的知識(shí)特征和用戶的歷史興趣。MKR中的多任務(wù)學(xué)習(xí)框架可以利用知識(shí)圖譜特征學(xué)習(xí)任務(wù)輔助提高推薦系統(tǒng)任務(wù)的性能。(2)基于結(jié)構(gòu)的方法。本文提出了兩種基于結(jié)構(gòu)的模型,它們都涉及在知識(shí)圖譜上進(jìn)行寬度優(yōu)先搜索來(lái)獲取一個(gè)實(shí)體在知識(shí)圖譜中的多跳鄰居。根據(jù)利用多跳鄰居的技術(shù)的不同,這兩種模型可以分為向外傳播法(outward propagation)和向內(nèi)聚合法(inward aggregation)。我們提出了RippleNet模型,一種向外傳播法的代表。它模擬了用戶的興趣在知識(shí)圖譜上的傳播過(guò)程,并借此發(fā)現(xiàn)用戶更多潛在的、層級(jí)化的偏好。我們也提出了KGCN模型,一種向內(nèi)聚合法的代表。KGCN在學(xué)習(xí)知識(shí)圖譜中的實(shí)體特征時(shí)聚合了該實(shí)體的鄰居特征表示。通過(guò)增加迭代次數(shù),鄰居的定義可以擴(kuò)展到多跳之外,從而實(shí)現(xiàn)了對(duì)用戶潛在興趣的挖掘。實(shí)驗(yàn)結(jié)果證明,利用知識(shí)圖譜的高階結(jié)構(gòu)信息可以很好地提升推薦系統(tǒng)的性能;同時(shí),基于特征的方法具有很強(qiáng)的靈活性(flexibility),而基于結(jié)構(gòu)的方法具有很強(qiáng)的可解釋性(explainability)。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP391.3;TP181
，

本文編號(hào)：2688404