亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        序列推薦算法的研究綜述

        2021-11-21 00:29:31蔣仕藝
        現(xiàn)代計(jì)算機(jī) 2021年6期
        關(guān)鍵詞:馬爾科夫物品神經(jīng)網(wǎng)絡(luò)

        蔣仕藝

        (四川大學(xué)計(jì)算機(jī)學(xué)院,成都610065)

        0 引言

        信息化時(shí)代,大量信息充斥于網(wǎng)絡(luò),推薦算法的目的在于幫助用戶從海量的數(shù)據(jù)中,挑選出用戶感興趣的目標(biāo)數(shù)據(jù),大量網(wǎng)站都已經(jīng)開(kāi)始應(yīng)用了相應(yīng)的推薦算法幫助推薦自己的產(chǎn)品或者服務(wù),并取得了良好的效果[1]。傳統(tǒng)的推薦算法,更偏向于以靜態(tài)的方式對(duì)用戶-物品行為進(jìn)行建模,得到了用戶的長(zhǎng)期的一般偏好,而現(xiàn)實(shí)生活中,用戶的偏好會(huì)有很多是短時(shí)、非持續(xù)的。序列推薦算法將用戶與物品的交互視為了動(dòng)態(tài)的、持續(xù)性的序列,它是具有一定順序性的,其能有效捕獲用戶的短期偏好,顯著提高推薦效果。

        傳統(tǒng)推薦算法,主要包括了基于內(nèi)容的推薦算法、協(xié)同過(guò)濾算法和混合推薦算法等。基于內(nèi)容的推薦算法一般依賴于自然語(yǔ)言處理的相關(guān)知識(shí),通過(guò)計(jì)算得到物品的向量特征表示,進(jìn)而得到用戶的偏好,進(jìn)行推薦相似的物品,該算法推薦效果的好壞主要是取決于對(duì)物品特征向量的建模效果。協(xié)同過(guò)濾(Collaboration Filtering)算法因其現(xiàn)實(shí)工程實(shí)現(xiàn)較為簡(jiǎn)單,同時(shí)也可以提供不錯(cuò)的推薦效果,所以協(xié)同過(guò)濾算法成為了推薦算法中應(yīng)用范圍最廣的算法。但是它也存在著一些問(wèn)題影響推薦效果,例如數(shù)據(jù)太少的“冷啟動(dòng)”問(wèn)題,不能表達(dá)瞬時(shí)偏好等。混合推薦算法是為了提高推薦效果,融合了多種推薦技術(shù)的算法,當(dāng)前大多數(shù)推薦算法主要是融合了深度神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾,主要能提升推薦效果,還可以一定程度解決協(xié)同過(guò)濾算法的弊端(數(shù)據(jù)稀疏、個(gè)性化不足等)。

        序列推薦算法由于其針對(duì)行為序列進(jìn)行建模,在可以不過(guò)多依據(jù)用戶長(zhǎng)期偏好的情況下,更加偏向于用戶當(dāng)前瞬時(shí)的、短暫的偏好,從而得到較好的推薦效果。例如,用戶過(guò)去喜歡國(guó)外手機(jī)品牌,但是隨著目前國(guó)內(nèi)手機(jī)品牌的日益崛起,用戶開(kāi)始將更多注意力關(guān)注于國(guó)內(nèi)手機(jī)品牌了,大量瀏覽關(guān)注國(guó)產(chǎn)品牌手機(jī)。傳統(tǒng)的推薦算法,難以獲取用戶興趣的快速變化,而序列推薦能通過(guò)用戶與物品的交互捕獲用戶的動(dòng)態(tài)偏好。

        目前,序列推薦算法大體分為兩大類。一類為基于傳統(tǒng)推薦算法的序列推薦,更多的采用了較為經(jīng)典傳統(tǒng)的協(xié)同過(guò)濾和馬爾科夫鏈等算法。另一類為融入深度神經(jīng)網(wǎng)絡(luò)的序列推薦,在初期,主要應(yīng)用了循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)、長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)等,最近隨著圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Networks,GNN)在圖像、自然語(yǔ)言處理等領(lǐng)域的應(yīng)用并取得快速發(fā)展,研究人員也開(kāi)始將圖神經(jīng)網(wǎng)絡(luò)用于交互序列建模,并取得了優(yōu)異的表現(xiàn)。

        1 基于傳統(tǒng)推薦算法的序列推薦

        序列推薦作為推薦算法的一個(gè)分支,在初期,研究人員更多的是直接將成熟的、經(jīng)典的傳統(tǒng)推薦算法應(yīng)用于序列推薦中。協(xié)同過(guò)濾作為推薦算法中使用最廣泛的算法,潛在因子表示模型和嵌入表示是其中的典型代表。潛在因子表示其首先通過(guò)分解學(xué)習(xí)得到用戶和物品的潛在表示,然后利用得到的表示信息進(jìn)行預(yù)測(cè)。嵌入表示將學(xué)習(xí)得到的潛在表示輸入,利用余弦或皮爾遜相似度來(lái)計(jì)算用戶與物品的相似度作為預(yù)測(cè)。馬爾科夫鏈由于其本身定義為假設(shè)某一時(shí)刻狀態(tài)轉(zhuǎn)移的概率只依賴于它的前一時(shí)刻的狀態(tài),也很自然地應(yīng)用到了序列推薦當(dāng)中。

        接下來(lái)對(duì)兩類傳統(tǒng)推薦模型與方法進(jìn)行相應(yīng)介紹。

        1.1 基于協(xié)同過(guò)濾的序列推薦

        Hidasi 等人[2]提出一種通用的分解框架,以偏好模型作為輸入,計(jì)算輸入維數(shù)的潛在特征矩陣,一個(gè)維度為用戶,另一個(gè)維度為物品,其他行為等操作可以影響用戶的偏好,該框架能讓不同的線性框架在任意的上下文感知的推薦任務(wù)中進(jìn)行實(shí)驗(yàn),為序列推薦算法提供了一個(gè)新的思路。He 等人[3]提出了可擴(kuò)展的張量分解方法,采用一個(gè)模型來(lái)模擬用戶、物品和交互的三種關(guān)系,物品作為一個(gè)點(diǎn)嵌入到“轉(zhuǎn)移空間”內(nèi),每個(gè)用戶作為空間內(nèi)的一個(gè)轉(zhuǎn)移向量,用戶從一項(xiàng)到另一項(xiàng)的轉(zhuǎn)換由特定于用戶的轉(zhuǎn)換操作捕獲,用戶的待選推薦完全由用戶的過(guò)去交互的物品和用戶轉(zhuǎn)移向量得到,最終得到了用戶與待選物品之間的潛在表示,直接利用了歐氏距離來(lái)表示的物品預(yù)測(cè)。該類模型雖然較為簡(jiǎn)單,但是推薦效果不錯(cuò)。

        協(xié)同過(guò)濾在推薦算法中也存在一些不足,數(shù)據(jù)過(guò)分稀疏、新用戶等問(wèn)題都會(huì)影響推薦效果,同時(shí)由于現(xiàn)實(shí)用戶交互序列中,存在時(shí)間和空間的關(guān)系,這種關(guān)系也不能很好通過(guò)協(xié)同過(guò)濾進(jìn)行表達(dá)出來(lái),進(jìn)而影響了推薦效果。

        1.2 基于馬爾科夫鏈的序列推薦

        基于馬爾科夫鏈的序列推薦模型將用戶與物品的交互序列直接進(jìn)行建模,得到序列模型,通過(guò)利用馬爾科夫鏈的特點(diǎn),用以預(yù)測(cè)下一次交互的物品。Rendle等人[4]成功把馬爾科夫鏈應(yīng)用到了短序列的序列推薦模型中,它能在短序列中捕獲到物品的轉(zhuǎn)換,即使在數(shù)據(jù)一定稀疏的情況下也能表現(xiàn)良好。Feng 等人[5]先將每個(gè)興趣點(diǎn)(POI)通過(guò)距離嵌入映射到一個(gè)潛在空間中,然后利用馬爾科夫鏈模型預(yù)測(cè)POI 的變化,POI 之間的距離作為衡量?jī)烧咝蛄嘘P(guān)系的依據(jù),最后依據(jù)排序進(jìn)行推薦。該模型依據(jù)基于馬爾科夫鏈的理論依據(jù),認(rèn)為短時(shí)間內(nèi)的兩個(gè)POI 的訪問(wèn),對(duì)后者POI 的訪問(wèn)會(huì)受上一個(gè)POI 訪問(wèn)的影響。

        馬爾科夫鏈用于序列推薦也存在著明顯的不足,首先就是其只能在短序列當(dāng)中取得明顯的作用,當(dāng)序列長(zhǎng)度太長(zhǎng)時(shí),推薦效果顯著下降。其次,它更多的是獲取單個(gè)物品與單個(gè)物品之間的聯(lián)系,而忽略了多個(gè)物品之間相互作用,而多個(gè)物品之間相互影響正是現(xiàn)實(shí)序列的重要特征。

        2 基于深度神經(jīng)網(wǎng)絡(luò)的序列推薦

        近年來(lái),隨著硬件技術(shù)的發(fā)展,深度神經(jīng)網(wǎng)絡(luò)逐漸從理論走向了實(shí)際,并且逐步應(yīng)用到了推薦算法當(dāng)中。主要應(yīng)用到的深度神經(jīng)網(wǎng)絡(luò)模型包括了循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和圖神經(jīng)網(wǎng)絡(luò)(GNN)等。

        接下來(lái)對(duì)三類神經(jīng)網(wǎng)絡(luò)模型與方法進(jìn)行相應(yīng)介紹。

        2.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列推薦

        循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)初期在圖像、音頻和自然語(yǔ)言處理等領(lǐng)域取得了較大成功,RNN 由于其網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn),通過(guò)門(mén)(gate)這一結(jié)構(gòu),可以有選擇性的讓信息在循環(huán)神經(jīng)網(wǎng)絡(luò)中進(jìn)行流通,并衍生了許多變體模型。

        B. Hidasi 等人[6]創(chuàng)新性的將RNN 帶入到推薦算法,把一個(gè)會(huì)話點(diǎn)擊了一系列物品的交互當(dāng)成了一個(gè)序列,將該序列輸入到模型當(dāng)中,預(yù)測(cè)下一個(gè)點(diǎn)擊的物品。該模型使用了RNN 融入進(jìn)序列推薦,解決了在缺少用戶歷史長(zhǎng)期記錄的情況下,僅僅使用交互序列,推薦效果不佳的問(wèn)題。作為RNN 的變體,Wu 等人[7]采用了長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)構(gòu)建模型,用來(lái)適應(yīng)用戶與電影的動(dòng)態(tài)性,而達(dá)到更精準(zhǔn)的視頻推薦。每當(dāng)用戶對(duì)電影進(jìn)行一次評(píng)分之后,利用LSTM 模型更新用戶表示,相對(duì)應(yīng)的電影表示的也進(jìn)行更新,推薦模型通過(guò)二者的表示預(yù)測(cè)用戶對(duì)某電影的評(píng)分。針對(duì)單層RNN模型不能有效捕獲用戶長(zhǎng)期偏好的問(wèn)題,Quadrana 等人[8]提出了層級(jí)循環(huán)神經(jīng)網(wǎng)絡(luò)模型(HRNN)。針對(duì)了不同的用戶群體采取了不同策略,如果用戶有歷史記錄,則根據(jù)用戶歷史記錄得到一般偏好,并傳遞給下一個(gè)序列,如果用戶沒(méi)有歷史記錄,則單純對(duì)用戶序列行為進(jìn)行建模。相較于單層的RNN 模型,該模型的優(yōu)勢(shì)在于,可以融入用戶的一般偏好,再結(jié)合序列信息反映的短期偏好,共同提高推薦效率。Wu 等人[9]提出了用戶過(guò)去的行為和現(xiàn)在的行為對(duì)用戶偏好的影響會(huì)隨著時(shí)間的變化而變化,利用了上下文時(shí)間注意力機(jī)制(Con?textualized Temporal Attention Mechanism)去學(xué)習(xí)用戶過(guò)去行為的影響權(quán)重,既包含行為本身的信息,還附帶了時(shí)間、空間信息,最后融合雙向循環(huán)網(wǎng)絡(luò)(BiRNN)一起輸出。

        2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的序列推薦

        卷積神經(jīng)網(wǎng)絡(luò)(CNN)同樣是率先在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域取得重要突破,受此啟發(fā),研究人員也開(kāi)始探究CNN 在序列推薦算法領(lǐng)域的應(yīng)用。

        Tang 等人[10]提出了Caser 模型,把在時(shí)間和空間上距離最近的一些物品交互序列當(dāng)做一個(gè)“圖像”矩陣,該矩陣的行是作為物品交互順序的表示,然后使用不同的卷積濾波器學(xué)習(xí)序列模式作為圖像的局部特征,該模型不僅可以表示用戶序列偏好,還可以表示出用戶的一般偏好。但是Caser 模型在面對(duì)長(zhǎng)序列時(shí),由于CNN 的結(jié)構(gòu)限制,會(huì)丟失一些重要的、重復(fù)的信息,序列越長(zhǎng),表現(xiàn)出來(lái)的問(wèn)題就越明顯。Yuan 等人[11]針對(duì)CNN 在長(zhǎng)序列中表現(xiàn)不佳的情況,在Caser 模型基礎(chǔ)上,提出了NextItNet 模型,該模型的核心是采取擴(kuò)張的CNN,區(qū)別于標(biāo)準(zhǔn)的CNN 中,接受域?qū)挾鹊氖蔷€性增加,而擴(kuò)張的CNN 接受域?qū)挾炔扇〉氖侵笖?shù)級(jí)增長(zhǎng),利用的信息更加寬廣,從而達(dá)到了在使用相同核和相同層次的情況下,較之傳統(tǒng)的CNN 模型,能高效處理長(zhǎng)序列的豐富信息。

        2.3 基于圖神經(jīng)網(wǎng)絡(luò)的序列推薦

        傳統(tǒng)的深度學(xué)習(xí)方法被大量應(yīng)用在提取歐氏空間數(shù)據(jù)的特征,然而實(shí)際生活中大量的數(shù)據(jù)存在場(chǎng)景都不是簡(jiǎn)單的歐氏距離能生成表達(dá)的。圖(Graph)作為一個(gè)較為復(fù)雜的數(shù)據(jù)結(jié)構(gòu),在描述物品與物品之間或者物品與用戶之間的交互較為貼合現(xiàn)實(shí)世界,也正是因?yàn)閳D的復(fù)雜性使得圖神經(jīng)網(wǎng)絡(luò)在序列推薦的應(yīng)用上存在相應(yīng)的困難。

        Wu 等人[12]第一次將圖神經(jīng)網(wǎng)絡(luò)(GNN)應(yīng)用于序列推薦,提出了SR-GNN 模型,模型把將每個(gè)會(huì)話序列當(dāng)做一個(gè)有向圖,針對(duì)重復(fù)的邊和節(jié)點(diǎn),其中采取了邊權(quán)重均一化,然后利用GNN 得到節(jié)點(diǎn)潛在向量,通過(guò)門(mén)控制,得到最好的節(jié)點(diǎn)向量表示,最后通過(guò)對(duì)局部和全局向量的拼接,得到了結(jié)合了長(zhǎng)期短期偏好相結(jié)合的序列向量表示,推薦效果得到明顯提高。Xu 等人[13]利用圖神經(jīng)網(wǎng)絡(luò)和自注意力網(wǎng)絡(luò)的互補(bǔ)性,提出了GC-SAN 模型,利用了多層自注意力網(wǎng)絡(luò)得到長(zhǎng)距離之間的全局依賴關(guān)系,模型尋求在相鄰項(xiàng)中建立一個(gè)一個(gè)復(fù)雜的上下文表示關(guān)系,從而得到了比SR-GNN模型更加好的推薦效果。

        圖神經(jīng)網(wǎng)絡(luò)在序列推薦領(lǐng)域尚處在起步階段,但是已經(jīng)取得了不錯(cuò)的效果,具備很強(qiáng)的發(fā)展?jié)摿Α?/p>

        3 結(jié)語(yǔ)

        如今推薦算法已經(jīng)逐漸成熟,在各個(gè)領(lǐng)域都得到了應(yīng)用,從最初的電商網(wǎng)站、視頻網(wǎng)站到如今的各種手機(jī)應(yīng)用軟件,都能看到它的影子。序列推薦,作為推薦算法的子領(lǐng)域,在過(guò)去幾年也取得了長(zhǎng)足發(fā)展。序列推薦不僅可以針對(duì)已知用戶進(jìn)行融合用戶特征的個(gè)性化推薦,更可以針對(duì)未登錄的匿名訪問(wèn)者的瀏覽記錄進(jìn)行推薦。圖神經(jīng)網(wǎng)絡(luò)在序列推薦中的應(yīng)用,為序列推薦發(fā)展開(kāi)辟了新的發(fā)展方向,值得更多的研究人員在圖神經(jīng)網(wǎng)絡(luò)上進(jìn)行探索。本文通過(guò)介紹了兩大類序列推薦算法的模型與方法,希望能給相關(guān)研究人員對(duì)在列推薦算法領(lǐng)域提供相應(yīng)的幫助。

        猜你喜歡
        馬爾科夫物品神經(jīng)網(wǎng)絡(luò)
        稱物品
        基于疊加馬爾科夫鏈的邊坡位移預(yù)測(cè)研究
        “雙十一”,你搶到了想要的物品嗎?
        基于改進(jìn)的灰色-馬爾科夫模型在風(fēng)機(jī)沉降中的應(yīng)用
        神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        誰(shuí)動(dòng)了凡·高的物品
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
        馬爾科夫鏈在教學(xué)評(píng)價(jià)中的應(yīng)用
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        找物品
        精品国产黑色丝袜高跟鞋| 欧美猛男军警gay自慰| 国产高清在线精品一区| 伊人22综合| 亚洲欧美另类激情综合区| 亚洲国产AV无码男人的天堂| 欧美日韩国产在线观看免费| 最新福利姬在线视频国产观看| 国产盗摄一区二区三区av| 国模91九色精品二三四| 国产成a人亚洲精品无码樱花| av无码人妻中文字幕| 7777精品久久久大香线蕉| www.尤物视频.com| 男性av天堂一区二区| 国产精品乱码人妻一区二区三区| 日产无人区一线二线三线乱码蘑菇| 无码毛片aaa在线| 成美女黄网站18禁免费| 国产精品国产三级久久| 精品久久久久久无码中文野结衣 | 98精品国产高清在线xxxx| 日韩日本国产一区二区| 国产精品亚洲专区无码不卡| 国产精品无码无片在线观看3d| 精品久久久无码中文字幕| 成人国产永久福利看片| 国产一级黄片久久免费看| 国产精品狼人久久影院软件介绍| 欧美性猛交xxxx免费看蜜桃| 国产va免费精品高清在线| 中文字幕无码人妻丝袜| 男子把美女裙子脱了摸她内裤| 国产精品国产三级国产剧情| 久久精品国产亚洲av麻豆色欲| 国产色秀视频在线播放| 国产女高清在线看免费观看| 翘臀诱惑中文字幕人妻| 精品国产一区二区三区av| 一区二区三区国产| 亚洲欧美另类自拍|