论文部分内容阅读
在大数据时代,伴随着移动互联网、云计算、物联网等的快速发展,互联网信息以及互联网访问者数量都出现了爆炸式的增长。虽然丰富的信息为我们带来了更多的可选择性,但同时也带来了严重的信息过载问题。面对这场数据洪流,用户希望从海量的信息中找到自己感兴趣的高质量信息,信息生产者则希望将正确的产品和服务定位到用户身上,以增加收入和用户的忠诚度,而推荐系统在其中扮演了关键的角色。通过挖掘和分析用户的历史行为、个人信息等方式,推荐系统对用户的兴趣爱好进行建模,并向用户推荐他们感兴趣的物品。传统的推荐系统在建模的过程中只考虑了用户和物品之间的交互关系,却忽略了用户和物品交互时所处的上下文环境,而上下文环境中包含的丰富上下文信息会对用户的行为产生微妙但强大的影响。与传统的推荐系统相比,上下文感知推荐系统通过考虑上下文环境的影响可以更准确地建模用户对物品的兴趣,从而提高推荐的效果。现有的主流上下文感知推荐算法主要建立在隐语义模型的基础上,它们将上下文环境对用户和物品的通用作用表示成一个多维张量。为了建模上下文环境对用户和物品的作用,这类模型利用这个多维张量、用户特征向量(或物品特征向量)以及上下文环境的特征向量三者之间的线性操作为用户(或物品)生成上下文感知的表示。上下文感知的用户表示和物品表示可以理解为在上下文环境影响下发生了变化的用户兴趣以及物品属性,而两者进一步的内积操作则可以得到在当前上下文环境中用户对物品的喜好评分。虽然现有的上下文感知推荐算法相比于传统的推荐系统在推荐效果上有了很大的提升,但是仍然存在诸多缺陷。首先,这些模型仅仅借助简单的线性操作无法有效地建模上下文环境的复杂和非线性的作用,其次,上下文环境中不同类型的上下文对用户和物品的作用是不同,然而现有的模型无法区分它们的重要性。为了解决现有算法存在的问题,本文探索了深度学习在上下文感知推荐领域的应用并提出了一种新的神经网络模型——注意力交互网络。具体地,注意力交互网络包含了三个核心的功能模块,即交互中心模块、注意力模块和用户/物品中心模块。交互中心模块关注到上下文环境中每个上下文和用户、物品之间的交互,并捕获每个上下文对用户和物品的作用。注意力模块学习每个上下文作用的重要性,并加权合成得到当前上下文环境对用户的整体作用。同样地,我们可以得到当前上下文环境对物品的整体作用。最后,用户/物品中心模块建模整体作用会对用户兴趣的物品属性产生什么样的影响,得到的上下文感知的用户表示和物品表示用于下一步的评分预测。实验方面,本文在两个显式反馈数据集和一个隐式反馈数据集上进行了大量的实验。实验结果表明,与现有的最先进的上下文感知推荐算法相比,注意力交互网络在评分预测和个性化排序任务上的效果都有显著的提升。通过进一步的分析实验,我们还发现注意力交互网络在向用户生成推荐的过程中能够提供更好的可解释性。