论文部分内容阅读
近年来，随着互联网的快速发展，人们所面临的信息量呈爆炸式增长，传统的信息处理方式受到了极大的挑战。在此背景下，推荐技术作为目前最有效的信息过滤手段之—受到了越来越多的关注，并广泛应用在商品推荐、音乐推荐、新闻推荐等众多领域之中。 传统的推荐技术虽然取得了一定的成果，但由于大多数推荐方法都将推荐问题当做静态问题去建模，所以在实际复杂的推荐场景中，可能面临着一定的挑战。近年来，随着深度学习的发展，序列的建模方式更为多样，所以基于会话的推荐系统受到了一定的关注。其主要利用用户当前的会话点击序列进行建模，更快速的捕捉用户的兴趣变化。但目前一些基于会话的方法仍在探索阶段，本文主要围绕基于会话的推荐方法，做出了以下三点探索和改进。 1.提出一种多粒度注意力循环神经网络推荐模型 本文通过引入粗粒度的商品类别信息，分别建模商品类别序列和商品点击序列两种粒度的循环神经网络模型，并加入注意力机制更好的捕捉用户注意力信息，从而解决了推荐问题中冷启动商品和长尾商品因欠曝光导致的模型对此学习不充分的问题，并进行了实验验证。本文提出的方法相比于目前效果最好的方法在Recall@20和MRR@20指标上分别提升了5.3％和9.8％。 2.提出一种基于门控网络的用户长短期兴趣模型 在多粒度注意力循环神经网络推荐模型的基础上，本文通过引入用户的长期兴趣表达，并利用门控网络将用户的长短期两种表达相结合，从而解决了会话过短信息不充足或会话过长推荐过于中心化时推荐效果变差的问题，并实验验证了模型的有效性。相比于目前效果最好的方法，本文提出的模型在Recall@20和MRR@20指标上，分别取得了8.6％和10.9％的提升。 3.提出一种基于会话和基于内容的混合新闻推荐模型 本文通过结合基于会话的推荐方法和基于内容的推荐方法，提出了一种混合新闻推荐模型来解决新闻冷启动问题，并进行了实验验证。本文提出的方法相比于目前效果最好的方法在Recall@20和MRR@20指标上分别提升了14.3％和19.9％。