基于深度学习的群组推荐研究

摘要

近年来，由于社交媒体的广泛传播，在线群组活动也变得愈加频繁，从而使得群组推荐逐渐成为研究的热点。另一方面，伴随着深度学习在语音、图像、文本等方面取得的巨大成功，推荐系统中关于深度学习的研究也在如火如荼的进行着。本文正是在这样的背景下尝试在多任务学习框架中，通过利用注意力网络来动态地捕捉用户偏好来强化用户群组推荐，通过多层次注意力网络来强化社交网路中的群组推荐，以及通过自注意力网络和门控网络来强化物品列表推荐。所以，本文的主要工作内容包括：　　1.针对当前用户群组推荐系统都采取预定义的策略去对群组中的用户偏好进行聚合操作的不足，本文提出了一个基于注意力网络的推荐模型AGREE。该模型通过注意力网络来动态地调整一个群组的偏好聚合策略，并以此来模拟群组决策的复杂过程。同时，为了能够学习到用户、群组和物品之间复杂的交互信息，本文在多任务学习模式下采用神经协同过滤模型，来对用户-物品、群组-物品的交互进行建模，这样的策略使得群组推荐任务和用户推荐任务可以相互促进提高效果。最后为了验证AGREE模型的有效性，本文在两个真实世界的数据集上进行实验。实验结果表明，本文的模型可以获得非常好的群组推荐效果。　　2.针对当前群组推荐模型并没有充分地利用用户社交网络关系的不足，本文在AGREE模型的基础上，提出了一个多层次注意力网络模型SoAGREE。在该模型中第一层次的注意力网络会对用户社交网络关系中的交互信息进行建模，从而将社交信息融入到用户表示中。第二层次的注意力网络会对用户-群组的交互信息进行建模来学习群组表示。通过这种多层次的注意力网络，模型可以学到更加丰富的用户和群组的嵌入向量。最后通过多任务学习模式，采取共享参数的神经协同过滤模型，来同时进行群组推荐任务和用户推荐任务的学习。实验结果表明，加入用户社交网络关系之后，本文的模型取得了较好的群组推荐效果。　　3.针对当前物品列表推荐模型只在物品层面上获取用户偏好的不足，本文提出了一个基于注意力网络和门控网络的列表推荐模型GANCF。该模型通过注意力网络和自注意力网络来学习用户对于列表中物品、属性的偏好，并通过一个门控融合网络来将这些多层次偏好进行融合最终得到一个列表的嵌入表示。最后通过多任务学习模式，将列表嵌入、用户嵌入、物品嵌入输入到一个基于外积的共享参数的交互网络中来同时学习用户-物品和用户-列表的交互信息。实验结果表明，本文的模型可以获得非常好的列表推荐效果。

目录

声明

第1章 绪论

1.1 课题背景

1.2 课题研究目标及意义

1.2.1 课题研究目标

1.2.2 课题研究意义

1.3 国内外研究现状

1.3.1 用户群组推荐算法研究现状

1.3.2 物品列表推荐算法研究现状

1.4 本文的研究重点

1.5 论文的组织结构

第2章 相关理论和技术

2.1 推荐系统任务的分类

2.2 推荐系统的评价指标

2.2.1 分类指标

2.2.2 排序指标

2.2.3 回归指标

2.3 推荐算法的分类

2.3.1 基于协同过滤的推荐算法

2.3.2 基于内容的推荐算法

2.3.3 基于混合方法的推荐算法

2.4 融合社交网络信息的推荐方法

2.5 本章小结

第3章 基于注意力机制的用户群组推荐

3.1 任务定义和模型概述

3.1.1 任务定义

3.1.2 模型概述

3.2 基于注意力机制的群组表示学习

3.2.1 用户聚合嵌入

3.2.2 群组偏好嵌入

3.3 基于共享参数NCF的交互学习

3.3.1 池化层

3.3.2 共享参数隐含层

3.3.3 模型的优化

3.4 实验方案与准备

3.4.1 实验数据集

3.4.2 实验评估指标和参数设置

3.5 实验分析

3.5.1 注意力机制的分析

3.5.2 模型对比和整体分析

3.5.3 群组表示学习中的消融分析

3.6 本章小结

第4章 融合社交信息的多层次注意力机制用户群组推荐

4.1 任务定义和模型概述

4.1.1 任务定义

4.1.2 模型概述

4.2 基于多层次注意力机制的表示学习

4.2.1 群组级别的注意力网络表示学习

4.2.2 用户级别的注意力网络表示学习

4.3 基于NCF的复杂交互学习

4.3.1 复杂交互学习

4.3.2 模型优化

4.4 实验准备和评估

4.5 实验分析

4.5.1 模型对比和整体分析

4.5.2 用户级别的注意力网络的分析

4.5.3 社交信息的有效性分析

4.6 本章小结

第5章 基于门控机制和注意力网络的列表推荐

5.1 任务定义和模型概述

5.1.1 任务定义

5.1.2 模型概述

5.2 多表征学习网络

5.2.1 物品级注意力层

5.2.2 自注意力层

5.2.3 属性级注意力层

5.2.4 门控融合层

5.3 基于外积的交互网络

5.3.1 外积交互

5.3.2 基于卷积神经网络的交互学习

5.3.3 模型优化

5.4 实验方案与准备

5.4.1 实验数据集

5.4.2 实验评估指标和参数设置

5.5 实验分析

5.5.1 模型对比和整体分析

5.5.2 自注意力网络的分析

5.5.3 门控机制的分析

5.6 本章小结

结论

参考文献

致谢

附录A 发表论文和参加科研情况说明