论文部分内容阅读
在互联网时代,随着信息量的增加,推荐系统在信息检索应用上发挥着日益重要的作用。传统推荐系统通常会根据用户的历史行为数据进行个性化推荐。但是,在实际应用场景中,由于数据缺失、隐私保护等原因,用户的历史行为往往难以获取,而与用户本次访问相关的会话数据却实时可取。因此,基于用户会话的推荐系统成为当前的研究热点。目前基于会话的推荐算法主要将该应用场景转化为序列预测问题,并采用循环神经网络等方式对会话中的点击序列进行建模,以预测用户接下来可能点击的物品。但是,目前大部分算法只考虑了当前会话的物品点击顺序,以及最后一次点击与本次会话点击序列的相关性。同时,它们都忽略了会话序列中各个物品与其他物品之间的潜在关系,因此难以充分挖掘用户的潜在兴趣点。此外,基于深度学习的推荐算法在实际应用中容易过拟合,存在泛化性能较差的问题,从而影响了推荐效果。针对上述问题,本文提出一种基于注意力机制与对抗训练的会话型推荐模型。模型首先采用循环神经网络对点击序列中的物品进行编码,随后使用自注意力机制依据序列中物品之间的相关关系,为物品赋予不同的权重,以充分挖掘用户的潜在兴趣点,提高模型的预测精度。此外,本文基于带初始化的快速梯度法在模型嵌入层中加入对抗扰动,将对抗训练作为一种正则化方式,从而进一步提高推荐准确率。为了验证模型的有效性,本文在YOOCHOOSE、DIGINETICA和TRIVAGO三个真实工业数据集上与基线模型进行了多组的对比实验。实验结果表明本文所提模型在广泛采用的P@20和MRR@20两个评价指标上,均优于其他模型。