论文部分内容阅读
在推荐系统研究领域,协同过滤推荐算法的应用和研究最为广泛,在一些推荐任务中取得一定成效。但是,协同过滤推荐算法单一考虑了用户的评分数据,存在数据稀疏性和冷启动问题,难以学习到用户与项目之间的强关联信息。作为浅层推荐模型,该算法无法获取到用户与项目间更深层次隐藏特征,导致推荐效果不理想。为缓解数据稀疏性和冷启动问题,信任信息被当作辅助信息加入到了推荐模型。然而,传统的信任感知推荐系统采用平衡用户自身偏好和信任用户偏好的方法进行推荐,仍然属于浅层推荐模型范畴,挖掘用户与项目间的更深层次隐藏特征的能力相对薄弱。除此之外,基于信任的推荐模型在处理用户对信任用户的相似度或注意力分配时,大多数是由用户的共同评分项进行计算,在极大程度上不能得到最优的注意力分配。以深度学习为代表的人工智能技术,为推荐模型的研究带来了契机。基于深度学习的推荐模型利用多层神经网络学习用户和项目交互信息,获取深层次隐藏特征,获得较好推荐效果。现有大部分模型都是基于矩阵分解的思想,并使用单一评分数据,对用户强关联信息表现出弱学习性,难以更进一步提升模型的推荐性能。本文融合了信任信息作为辅助信息,构建新的神经网络模型融合信任信息和评分信息进行推荐,缓解冷启动等问题;引入注意力机制来融合用户长短期偏好,进一步优化注意力分配提升推荐模型性能。本文主要工作为以下两方面:(1)针对大多数基于深度学习的推荐模型仅依靠用户评分数据,难以发掘用户与产品间的强关联问题,本文在用户评分数据的基础上,融合用户间信任关系,通过深度学习的方法灵活地将用户自身喜好与用户信任的朋友的喜好结合起来,提出一种新的基于信任的神经协同过滤(TNCF)。首先,通过广义矩阵分解模型合并信任信息和评分信息,得到基于信任用户偏好的推荐。然后,使用多层感知机模型中的非线性内核,从评分数据中学习交互特征,获取用户自身偏好的推荐。最后,聚合前两者得到的推荐进行隐式预测。信任信息不仅隐含用户间相似信息,还能体现一定的社会信息,能够增强补充交互数据的能力,提高找到用户与项目间的强关联的机率,进而提升推荐效果。本文选择在FilmTrust、Epinions和Ciao数据集上进行实验对比分析,TNCF模型在Top-n推荐效果上相较于基线模型有明显提升,与次优模型相比,在FilmTrust数据集上HR@10最高提高1.73%,NDCG@10提高2.88%;在Epinions数据集上HR@10提高2.54%,NDCG@10提高1.62%;在Ciao数据集上HR@10提高0.94%,NDCG@10提高1.43%。(2)针对以往基于信任的推荐算法不能最优化注意力分配的问题,本文提出利用注意力机制计算用户信任度即对信任用户的注意力,来捕获用户受朋友的喜好影响。同时,为了进一步研究用户的品味变化,本文引入时间敏感性,采用自注意力机制,捕获用户的短期喜好变化特征。基于以上两点,本文提出了基于注意力的信任感知序列推荐模型(ATRec)。首先,通过设定Self-Attention块的查询(Query),键(Key)和值(Value)为用户最近的L条交互序列,来学习基于用户交互序列的短期用户偏好;然后,通过注意力机制分配用户对不同信任朋友的关注度,学习用户基于信任朋友的长期用户偏好;最后,通过参数?平衡用长短期用户偏好做出推荐。实验结果表明,ATRec模型在Top-n推荐效果相较于基线模型同样有明显提升,在Flixster1数据集上HR@10提高1.82%11.47%,NDCG@10提高1.47%23.33%,在Flixster2数据集上HR@10提高3.07%4.04%,NDCG@10提高1.33%8.75%,并且训练效率也获得了一定的提升。