基于图表示学习的会话感知推荐模型

摘要：

根据历史记录预测用户的下一次点击(即基于会话的推荐)是推荐系统中一个重要的子任务.重点研究会话推荐中如何在不牺牲预测准确性的情况下缓解用户的兴趣漂移问题,提高用户满意度.基本思想是从全局统计的角度出发,建立一个用于表示物品先后点击顺序的物品依赖关系图,据此提出一种图表示学习算法,生成可以保留关联物品间复杂关联关系的物品向量表达,最后,基于长/短期记忆机制,将物品向量表达作为“固定”输入,从而构建一个可以同时捕捉用户长期兴趣和短期兴趣的会话感知推荐模型.不同于其他相关工作,首次提出将下一次点击预测模型建立在“固定”物品表达的基础上.在公开数据集上的实验结果表明:提出的推荐模型在预测准确性和推荐多样新颖性上的表现优于其他相关方法.

关键词：基于会话的推荐系统、行为建模、图表示学习、用户兴趣、神经网络

所属期刊栏目：57

分类号：TP18;TP391(自动化基础理论)

资助基金：国家自然科学基金项目;提升政府治理能力大数据应用技术国家工程实验室开放基金项目;四川省科技服务业示范项目;中央高校基本科研业务费专项资金

在线出版日期：2020-06-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：590-603