-
题名将行为依赖融入多任务学习的个性化推荐模型
- 1
-
-
作者
顾军华
李宁宁
王鑫鑫
张素琪
-
机构
河北工业大学人工智能与数据科学学院
河北省大数据计算重点实验室(河北工业大学)
天津商业大学理学院
天津商业大学信息工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2024年第1期231-243,共13页
-
基金
河北省重点研发计划(20310802D)
河北省创新能力提升计划项目(22567603H)。
-
文摘
多种类型行为数据的引入缓解了协同过滤算法存在的数据稀疏和冷启动问题,在推荐领域被广泛研究和应用。尽管当前对多行为推荐的研究已经取得很大进展,但仍然存在以下问题:未能全面捕获行为之间复杂的依赖关系;忽略了行为特征与用户和项目的相关性。这导致学习到的特征向量无法准确表达用户的兴趣偏好,使得推荐结果存在偏差。为了解决以上问题,提出了将行为依赖融入多任务学习的个性化推荐模型(BDMR),将行为之间复杂的依赖关系分为特征相关性和时序相关性。首先,设置用户个性化行为向量,利用图神经网络处理多个单行为交互图,联合用户、项目和行为特征聚合高阶邻域信息,结合注意力机制学习行为之间的特征相关性;其次,将行为特征和项目特征构成的交互序列输入长短期记忆网络,捕获行为之间的时序相关性;最后,将个性化行为向量融入多任务学习框架获取更加准确的用户、行为和项目特征。为了验证提出模型的性能,在三个真实数据集上进行对比实验,在Yelp数据集上,相较于最优基线,HR和NDCG分别提升了1.5%和2.9%;在ML20M数据集上,HR和NDCG分别提升了2.0%和0.5%;在Tmall数据集上,HR和NDCG分别提升了25.6%和30.2%。实验结果表明,该模型优于其他的基准模型。
-
关键词
多行为推荐
图神经网络
循环神经网络
多任务学习框架
-
Keywords
multi-behavior recommendation
graph neural networks
recurrent neural networks
multi-task learning framework
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
