论文部分内容阅读
基于会话的推荐系统（Session-based Recommendation System,SBRS）是推荐系统中一个新兴的子领域,其不要求用户画像信息,只需将用户的连续交互行为按会话进行分类,并依据用户在对话中所表现出的喜好,向用户推荐所需项目或所感兴趣的项目。基于传统的会话推荐方法大都未考虑到会话中项目的点击顺序;而基于会话的深度学习方法虽然能有效地建模会话的点击序列信息,但只采用单一模型对当前会话进行序列化建模,过分强调用户序列化兴趣特征,忽略了项目本身特性,且存在未对特征粒度的信息进行有效融合问题。同时,现有的会话推荐模型解决往往只在单一结构内使用注意力机制（Attention Mechanism,AM）,并且未充分利用到跨会话上下文存在的有效信息,导致对会话序列建模不充分问题。针对上述问题,本文通过学习相关深度学习相关技术,如图神经网络、自注意力网络等,深入研究现有推荐模型,分析并总结其优缺点以及待改进之处。并在此基础上提出了两个新的会话型推荐模型解决以上提到的不足,主要内容及创新点如下:1.针对单一模型过多强调序列化信息,未考虑会话中项目间联系存在有效推荐建议,且未对特征粒度的信息进行有效融合的问题,本文提出了一种融合注意力机制的用户兴趣表征会话推荐模型（SR-UIAM）。该模型首先通过自注意力网络提取会话中的长短期兴趣特征;然后再利用一个带残差连接的多层神经网络学习项目特征;最后设计了特征级感知注意力网络对上述特征进行融合。最终得到更细粒度的特征向量表示,进一步提升模型的效果。2.针对现有会话推荐研究中往往只在单一结构内使用注意力机制,未充分对跨会话上下文存在的有效信息进行建模的问题,本文提出了一种基于多级注意力的上下文感知会话推荐模型（SR-MLCA）。该模型首先构建跨会话全局邻域图,以学习更新得到项目全局级向量表示;并为减少会话内序列噪音的影响,使用自注意力网络对会话内上下文建模学习到会话级项目向量表示;然后设计一个全局信息感知注意力网络聚合上述特征及位置编码,为用户进行推荐。最后实验表明该模型推荐性能得到进一步提升。3.本文在Yoochoose1＿64和Diginetica两个公开数据集上进行相关的实验及参数分析等。通过实验表明了本文提出的两个模型均有效。