基于深度学习的序列推荐算法研究

作     者：王晨星 

作者单位：贵州大学 

学位级别：硕士

导师姓名：吴云

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 序列推荐 长短期兴趣 时间感知的短期注意力网络 多任务推荐 

摘      要：随着互联网平台智能化服务的发展,为不同用户打造特色化推荐策略至关重要。推荐算法可以减少信息过载,满足多样化的业务需求。然而,现有推荐算法在建模用户兴趣偏好时,忽略了用户偏好的动态变化,缺乏对序列信息的研究。此外,当前多数研究聚焦于提升单个目标的推荐效果,忽略了用户满意度和最终决定受多方目标影响的事实。针对以上两个问题,论文对基于深度学习的序列推荐算法进行研究,主要包含基于用户长短期兴趣的序列推荐算法和基于个性化多任务的序列推荐算法。具体如下:(1)针对现有推荐模型仅关注用户和项目之间的静态相关性,忽略了用户兴趣的衰减以及偏好的动态变化问题,设计了一种基于用户长短期兴趣的序列推荐模型(A Sequential Recommendation Model Based on User s Long-term and Short-term Preferences,ULSPSR)。首先,对用户的短期兴趣进行模型化,在短期兴趣偏好建模过程中考虑动态时间间隔,创新地设计了一个具有时间感知能力的短期注意力网络;其次,对用户的长期兴趣进行模型化,在长期兴趣偏好建模过程中创新地设计了一种多路空洞卷积网络,并将网络扩展成多通路结构来挖掘复杂的用户长期行为特征;最后,考虑到长期和短期兴趣的重要性是动态变化的,提出了一个长短期兴趣感知选择器,自适应地配比长短期兴趣进而完成推荐预测。ULSPSR模型在Movie Lens-1M和Beauty数据集上进行实验,实验结果表明该方法可以很好地反映用户在不同时期的喜好,从而提升预测精度。(2)针对现有推荐模型仅对单一目标任务建模,忽略了用户兴趣受多方面目标任务共同影响,设计了一种基于个性化多任务的序列推荐模型(A Sequential Recommendation Model Based on Personalized Multi-task,PMSR)。一方面,为了缓解多任务推荐过程中的负迁移现象,创新地设计了个性化专家分离模块:首先,在该模块的共享专家层利用共享专家选择控制器挖掘任务间的共性关联信息;接着,在该模块的专享专家层利用专享专家选择控制器挖掘各个任务内的特有隐式信息。另一方面,为了减少高层序列关联信息的损失,创新地设计了个性化序列知识传递模块:首先,在该模块的特定任务塔网络层挖掘各个任务内部的序列交互信息;接着,在该模块的序列知识传递网络层考虑上一个任务对下一个任务的影响,避免数据稀疏导致推荐效果欠佳。最后,将多任务目标联合进行推荐预测。PMSR模型在Ali-CPP、Tenrec两个公开数据集上进行测试,结果表明该模型优于其他先进的基准模型,达到较为突出的推荐性能。