论文部分内容阅读
随着网络信息量的不断增多，个性化推荐系统可以帮助用户在繁杂的数据中快速发现自己想要的信息，能够针对对应系统中的主流商品对所有用户进行推荐，从而减轻信息过载现象。移动互联网赋予了用户随时随地访问互联网的能力，也使得用户能够在不同环境中通过手机APP与项目（如商户、音乐等）进行交互，用户交互时所处的环境信息被称为上下文信息。加入用户所产生的上下文信息的推荐系统以提高推荐过程中的准确度就显得十分必要，这种个性化推荐系统被称为上下文感知推荐系统。由于用户交互上下文的动态复杂性和上下文数据高维稀疏的特点，上下文感知推荐系统仍然是一个富有挑战性的问题。现有的上下文感知推荐系统没有同时考虑时间和空间的影响，只单独地对其中一个上下文进行研究，而忽略了时空上下文之间的联系。
针对以上问题，本文分别提出了时空上下文注意力推荐模型（Deep Attention Cross Net，DACN）和基于多部图的空间上下文图嵌入模型（Multi-partite Graphs Embedding，MGE），再根据这两个模型，将用户-商户交互行为与时空间上下文进行了合理的融合，得到了最终的时空上下文感知个性化推荐模型。针对时间上下文，论文提出使用LSTM网络和注意力机制相结合的方法，采用LSTM网络提取长期用户行为特征，采用注意力机制来对不同时间下的商户进行权重加成，保留时间连续性特征的同时，还对用户历史交互序列的全局和局部的特征进行捕获。针对空间上下文，使用图卷积算法，将用户、商户和地点三者构成的多部图嵌入到了线性空间，解决了不同域中节点特征维度不统一问题和异构图嵌入问题。最后，将每个时间点的商户嵌入替换为商户的空间上下文嵌入，降维后与对应时间点的用户交互行为特征嵌入融合，再根据时间上下文注意力机制得到的权重进行加权融合，结合模型进行推荐，提高精度的同时降低了过拟合现象。
本文利用真实公开的数据集，与传统的推荐算法模型和目前主流的深度学习推荐算法模型进行对比实验，来对提出的模型有效性进行验证。实验结果表明，本文提出的模型相较于不加入时空上下文的模型，交叉熵损失下降了8.25%，F1评分提升了12.68%，AUC评分提高了2.56%，证实了模型的有效性。
针对以上问题，本文分别提出了时空上下文注意力推荐模型（Deep Attention Cross Net，DACN）和基于多部图的空间上下文图嵌入模型（Multi-partite Graphs Embedding，MGE），再根据这两个模型，将用户-商户交互行为与时空间上下文进行了合理的融合，得到了最终的时空上下文感知个性化推荐模型。针对时间上下文，论文提出使用LSTM网络和注意力机制相结合的方法，采用LSTM网络提取长期用户行为特征，采用注意力机制来对不同时间下的商户进行权重加成，保留时间连续性特征的同时，还对用户历史交互序列的全局和局部的特征进行捕获。针对空间上下文，使用图卷积算法，将用户、商户和地点三者构成的多部图嵌入到了线性空间，解决了不同域中节点特征维度不统一问题和异构图嵌入问题。最后，将每个时间点的商户嵌入替换为商户的空间上下文嵌入，降维后与对应时间点的用户交互行为特征嵌入融合，再根据时间上下文注意力机制得到的权重进行加权融合，结合模型进行推荐，提高精度的同时降低了过拟合现象。
本文利用真实公开的数据集，与传统的推荐算法模型和目前主流的深度学习推荐算法模型进行对比实验，来对提出的模型有效性进行验证。实验结果表明，本文提出的模型相较于不加入时空上下文的模型，交叉熵损失下降了8.25%，F1评分提升了12.68%，AUC评分提高了2.56%，证实了模型的有效性。