随着个性化推荐技术的发展,推荐系统面临着越来越多的挑战。传统的推荐算法通常存在数据稀疏性和推荐精度低等问题。针对以上问题,提出了一种融合时间隐语义填充和子群划分的推荐算法K-TLFM(Time Based Latent Factor Model Integrated with k-means)。该算法利用融合时间因素的隐语义模型对原始用户物品评分矩阵缺失项进行填充,避免了用全局平均值或者用户/物品平均值补全矩阵带来的误差,有效缓解了数据稀疏性问题,同时融合时间因素有效地刻画了用户偏好随时间的变化;完成评分矩阵缺失项填充后,基于二分k-means聚类算法将偏好、兴趣特征相似的对象划分到同一个子群中,在目标用户所属的子群中基于选定的协同过滤算法为用户产生推荐列表,提高了推荐效率和准确性。在MovieLens和Netflix数据集上对该算法的推荐性能进行了对比实验,结果表明该算法具有更高的推荐精度。
为解决推荐系统用户冷启动问题,提出面向冷启动用户的元学习与图转移学习序列推荐(sequential recommendation for cold-start users with meta graph transitional learning, MetaGTL)。MetaGTL在不使用其他辅助信息的前提下,采用图神经网络(graph neural network, GNN)建模序列间物品高阶关系生成用户物品嵌入;将交互序列构造为物品对集合,使用序列编码模块捕捉物品间的转移关系,动态建模用户兴趣;采用注意力机制,生成准确的用户特征;采用基于梯度的元学习方法训练模型,生成初始化模型;对模型的工作性能和结果进行详细分析,结合基线模型进行对比评价。试验结果表明,基于元学习与图转移学习的MetaGTL在缺少辅助信息的用户冷启动任务中具有更高的预测精度。
现有的协同过滤推荐算法使用表示学习方法和匹配函数学习的方法来匹配用户喜欢的物品,但这不能充分表达用户对不同物品的真实偏好,且这些模型并不能有效捕获用户和物品交互时嵌入维度之间的相关性。为此,该文提出基于通道注意力的神经协同过滤模型NCFCA(Neural Collaborative Filtering based on Channel Attention)。首先,在网络中通过注意力机制对不同的物品分配不同的权重,来影响用户对物品的偏好程度;其次,模型利用卷积神经网络来提升用户和物品的关联性,并在卷积神经网络中加入通道注意力机制来挖掘丰富的语义信息;最后,利用广义矩阵分解方法来缓解因用户物品交互产生的数据稀疏问题并且将三个不同的模块(A-MLP、E-CNN、GMF)融合在一起。在MovieLens 1M和Lastfm数据集上的大量实验表明,NCFCA模型的准确率有不同程度的提高,表现出较为优越的推荐性能。
