基于自注意力机制与用户动态偏好挖掘的序列推荐研究

作     者：朱凯伟 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：何波

授予年度：2024年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：序列推荐 时间间隔 增强过滤 属性特征 自注意力机制 

摘      要：在数字时代背景下,各行业内生成的数据量呈现指数级增长,用户在多元化环境中与各式物品的频繁互动,进而产生庞大的用户行为数据。序列推荐便是一种针对此类用户-物品交互序列进行建模的技术,旨在缓解信息过载的挑战。深度学习技术因能从用户历史互动序列中精准抽取兴趣偏好而广泛应用。因此,成为众多学术研究的焦点。尽管目前的推荐算法在某些维度上实现了技术突破,但它们在精准捕获用户随时间而演变的长期与短期兴趣偏好,以及在推荐中综合考虑项目的属性特征等方面仍显示出局限性。本文对用户行为序列展开分析和研究,本文的研究内容如下: (1)针对现有的序列推荐方法过度依赖于交互序列的顺序性,而未充分考虑时间间隔等时序信息对用户长短期兴趣建模的影响,以及推荐过程中用户意外交互产生的噪声等问题,本文提出了融合时间间隔和增强过滤的注意力序列推荐模型。该模型首先将时间间隔信息分别加入到用户长期和短期行为序列中。其次,加入滤波器过滤衰减数据中的噪声。然后,将时间感知的门控循环单元和注意力机制结合用于捕获用户长期偏好,同时引入感知时间间隔的自注意力机制以捕获用户短期行为序列与时间间隔的动态关系。最后,利用自适应的门控网络动态整合用户长短期兴趣信息,形成用户最终的兴趣表示。通过在不同的数据集上进行验证,证明了该模型有效提升了推荐系统的时效性和整体性能。 (2)针对现有的序列推荐模型未能充分利用项目属性特征挖掘用户偏好,以及忽略热门物品的传播力影响的问题,本文提出了融合特征信息的自注意力序列推荐模型。首先,利用压缩语义的方法对属性信息进行优化处理,并和时序位置嵌入相结合,通过自注意力机制捕获用户偏好随时间及属性的动态变化。然后,结合经过信息传播模型优化后的用户评分矩阵和时间间隔矩阵,通过自注意力机制综合学习时间维度和评分信息。最后,将两个自注意力机制的输出表示进行连接,并作为下一个物品的推荐。实验证明所提出的模型较对比模型均有一定的提升。 (3)在本文提出的模型的基础上,设计并构建了一个电影推荐原型系统。该系统基于上述推荐模型,并依托于用户与电影间的实际交互数据,为用户提供个性化推荐服务。