论文部分内容阅读
人类社会的进步依赖于信息的交流,推荐系统作为筛选信息的核心技术,承担着信息入口的重要角色。随着信息种类的丰富,信息展示方式的多样化,也衍生了多样的信息推荐形式。序列推荐算法可以有效建模用户近期偏好的同时融合用户历史偏好,是一种性能稳定且高效的推荐算法。本文以序列推荐和模型可解释为研究重点,针对学术论文推荐场景,进行以下研究工作:(1)提出建模用户行为时间间隔信息的时序门控图神经网络Time-GGNN。用户行为时间间隔信息是用户两次点击行为之间的间隔时间,是反映用户行为间关联度的重要信息。另外,门控图神经网络相比循环神经网络可以更好的捕获用户行为序列中的复杂过渡,本文在此基础上提出可以建模时间间隔信息的时序门控图神经网络。(2)基于时序门控图神经网络提出序列推荐算法TGGNN4REC。通过将用户行为序列由链式结构转换为图结构后,利用前面提出的时序门控图神经网络对用户行为图进行建模得到各个行为的向量表示,再通过注意力机制计算图中各个行为对用户下次点击预测的权重,最后利用此权重与各个行为向量计算得到整个序列图全局向量并融合序列图最后一次行为向量作为用户下次点击预测向量,通过此向量预测用户下次点击项目。在两个公开数据集上相比其他序列推荐算法性能有所提升,细化到不同长度序列后性能也都有提高。(3)为了解释时序门控图神经网络进行序列推荐的过程,提出可解释推荐算法TGGNN4ER。该算法首先利用前面设计的时序门控图神经网络序列推荐算法思想建模用户行为序列图作为用户属性,然后利用卷积神经网络和注意力机制结合的方式建模项目评论信息作为项目偏好,其中注意力机制通过项目评论向量与用户向量来计算用户对项目评论中各个语句的权重作为对推荐结果的解释,最后将用户偏好与项目偏好经过因子分解机做评分预测。在两个公开数据集上推荐性能优于其他可解释推荐算法,并在“学术头条”APP中应用后,根据真实用户本人反馈对模型解释效果进行评价,结果优于其他可解释推荐算法。以上工作是吉林省重点科技研发项目“大数据和移动互联时代的快速知识共享系统研究、开发与应用”的重要组成部分。本文提出的推荐算法已应用于由该项目支撑的“学术头条”APP(https://www.acheadline.com/)中。