基于循环时间卷积网络的序列流推荐算法
针对循环神经网络(Recurrent Neural Network,RNN)模型在序列流推荐中只能从宏观上捕捉序列的演变模式,忽略了物品(Item)间内部的微观联系,无法长程建模序列数据的变化规律的问题,提出了多维度序列建模算法循环时间卷积网络(Recurrent Temporal Convolutional Network,RTCN).首先,将每个物品表示成定长向量,采用多层因果卷积和扩张卷积操作扩大感受野范围,建立序列元素间的长程依赖关系.利用残差连接网络提取不同层次的特征信息,解决反向传播中梯度衰减甚至消失的问题.综合设计时间卷积网络(Temporal Convolutional Network,TCN)提取序列流中前后物品间的局部特征,将物品信息映射到隐藏空间,得到细粒度的特征向量.为进一步建立元素间的宏观联系,将特征向量依次输入门限循环单元(Gated Recurrent Unit,GRU),迭代更新现有隐藏状态并预测下一时刻的输出.RTCN通过时间卷积网络,从输入序列流提取出长时间、多维度、细粒度的局部关联特征;经过门限循环网络,建模序列间的长距离依赖关系,捕捉序列元素的演变模式,并预测下一个出现的物品.利用网站、手机应用和音乐3个不同场景中的数据对模型进行了实验.实验结果显示,RTCN模型在召回率(Recall)和平均排序倒数(MRR)两个指标上比RNN模型高出6％～13％,比传统推荐算法高出9％～59％.通过对比不同的损失函数,模型在交叉熵损失函数下表现最优.此外,由于TCN中的卷积层具有多通道的结构,当数据维度丰富时,该模型对物品和用户的上下文信息具有很强的综合能力.
推荐系统、深度学习、序列流推荐、时间卷积网络、循环神经网络
47
TP183(自动化基础理论)
国家自然科学基金11590770-4,11722437,61650202,U1536117,61671442,11674352,11504406,61601453;国家重点研发计划2016YFB0801203,2016YFC0800503,2017YFB1002803;新疆维吾尔自治区重大科技专项2016A03007-1;贵州省留学回国人员科技活动择优资助项目2018.0002
2020-04-10（万方平台首次上网日期，不代表论文的发表时间）
共7页
103-109
