论文部分内容阅读
协同过滤技术在推荐系统领域得到广泛应用,然而协同过滤技术却无法解决数据集稀疏问题。社交推荐问题提出采用社交关系作为补充信息,尝试解决推荐中的数据集稀疏问题。由于深度学习技术在许多研究工作中表现优秀,本研究工作将采用深度学习技术解决社交推荐问题。研究工作将从两个方面进行展开,第一点是不考虑时间因素,即忽略用户以及产品随时间变化的特性,称为静态社交推荐问题,该研究工作存在以下问题,1)如何有效的将社交网络包含的信息和推荐结合起来?2)如何设计网络结构建模用户和产品之间的交互关系?第二点是融合时间因素,只考虑用户随时间变化的特性,称为动态社交推荐问题。研究在两种情况下,如何设计神经网络结构有效解决社交推荐问题,该研究工作存在以下问题,1)考虑时间因素的情况下,如何建模用户的消费历史?2)考虑时间因素的情况下,用户的行为偏好会时间发生改变,这时如何衡量用户的社交邻居之间的影响力?针对静态社交推荐问题,本研究工作提出了模型协同神经网络社交推荐模型CNSR(Collaborative Neural Social Recommendation)。该模型包括社交空间特征学习和协同神经网络推荐两个部分。其中社交空间特征学习部分采用无监督深度学习技术将用户的社交邻居作为输入,并采用社交关系作为正则项,学习用户在社交空间中的特征。协同神经网络模型将用户和产品的特征作为输入,并采用协同过滤层以及多个隐含层捕获用户和产品之间的浅层和深层交互关系。在模型训练阶段,通过一个联合学习框架提高模型训练效果。针对动态社交推荐问题,本研究工作提出了模型注意力循环社交网络模型ARSE(Attentive Recurrent Social Recommendation)。该模型基于两个注意力网络结构捕获用户的社交邻居在动态行为偏好和静态行为偏好建模上对用户产生的影响。其中,动态行为偏好建模阶段,基于注意力网络结构学习到用户的社交邻居带来的影响的同时,可以通过循环神经网络结构学习到用户行为偏好变化的潜在规律。在静态行为偏好建模阶段,用户的静态行为偏好被认为由自身和社交邻居共同决定。最终的用户对产品的预测评分将取决于用户的动态行为偏好和静态行为偏好的共同作用。本研究工作提出CNSR和ARSE两个深度学习模型分别用来解决静态社交推荐问题和动态社交推荐问题,最终的实验结果将展示本研究工作提出的模型在解决社交推荐问题相对于现有的方法存在一定提升。