基于用户会话的TF-Ranking推荐方法

摘要

基于用户会话日志,提出了一种融合XGBoost和门控循环单元网络的TF-Ranking推荐方法.该方法利用门控循环单元学习用户行为.首先,利用XGBoost进行特征提取,克服了传统方法中数据模型复杂的缺陷,使数据模型在保持原始属性的基础上大大降低了复杂度;其次,利用改进后的Dropout网络对数据进行处理,使得召回率提高了1.32％;最后,基于Learning to Rank与Pairwise方法训练用户会话数据,尽可能为用户提供一个与查询内容相关性较强的正向排序推荐清单.实验在Trivago RecSys Challenge 2019数据集上进行.结果 表明,所提出的推荐算法在召回率和平均倒数排名上均有提高,而且可以应用于大规模数据推荐.