基于自注意力网络的共享账户跨域序列推荐 - 郭磊, 李秋菊, 刘方爱, 王新华.pdf
免费下载
计 算 机 研 究 与 发 展
DOI
:
１０．７５４４∕issn１０００Ｇ１２３９．２０２１．２０２００５６４
JournalofCom
p
uterResearchandDevelo
p
ment ５８
(
１１
):
２５２４ ２５３７
,
２０２１
收稿日期
:
２０２０
－
０７
－
２０
;
修回日期
:
２０２１
－
０１
－
２９
基金项目
:
国家自然科学基金项目
(
６１６０２２８２
,
６１７７２３２１
);
中国博士后科学基金项目
(
２０１６M６０２１８１
)
Thisworkwassu
pp
ortedb
y
theNationalNaturalScienceFoundationofChina
(
６１６０２２８２
,
６１７７２３２１
)
andtheChinaPostdoctoral
ScienceFoundation
(
２０１６M６０２１８１
)
．
通信作者
:
王新华
(
wan
g
xinhua＠sdnu．edu．cn
)
基于自注意力网络的共享账户跨域序列推荐
郭
磊
１
李 秋 菊
１
刘 方 爱
２
王 新 华
２
１
(
山东师范大学商学院
济南
２５０３５８
)
２
(
山东师范大学信息科学与工程学院
济南
２５０３５８
)
(
lei
g
uo．cs＠
g
mail．com
)
SharedＧAccountCrossＧDomainSe
q
uentialRecommendationwithSelfＧAttention
Network
GuoLei
１
,
LiQiu
j
u
１
,
LiuFan
g
ai
２
,
and Wan
g
Xinhua
２
１
(
Schoolo
f
Business
,
Shandon
g
NormalUniversit
y
,
Jinan
２５０３５８
)
２
(
Schoolo
f
In
f
ormationScienceandEn
g
ineerin
g
,
Shandon
g
NormalUniversit
y
,
Jinan
２５０３５８
)
Abstract SharedＧaccountcrossＧdomainse
q
uentialrecommendation
(
SCSR
)
isthetaskofrecommendin
g
nextitemsina
p
articularcontext
,
whereusersshareasin
g
leaccount
,
andtheirbehaviorrecordsare
availableinmulti
p
ledomains．Com
p
aredwithtraditionalse
q
uentialrecommendationtasks
,
SCSRis
challen
g
in
g
dueto
:
１
)
Theinteractions
g
eneratedb
y
anaccountisamixtureofmulti
p
leusers．２
)
The
behaviorsinonedomainmi
g
htbehel
p
fultoim
p
roverecommendationsinanotherdomain．Recentl
y
,
mostoftherelatedworkisbasedonrecurrentneuralnetwork
(
RNN
)
．Duetotheinherentdrawbacks
ofRNN
,
RNNＧbased methodsaretimeconsumin
g
and moreim
p
ortantl
y
the
y
failtoca
p
turelon
g
Ｇ
ran
g
ede
p
endenciesofaccountsinteractions．Inthiswork
,
wetar
g
etatSCSRand
p
ro
p
oseaselfＧ
attentionＧbasedcrossＧdomain recommendation model
(
SCRM
)
to address these two challen
g
es．
S
p
ecificall
y
,
to modelthe mixedinteractionsfrom multi
p
leusersofasin
g
leaccount
,
a multiＧhead
selfＧattentionnetworkisfirstintroduced．Then
,
tolevera
g
ethedomaininformationinonedomainto
im
p
rovetherecommendationinanotherdomain
,
thecrossＧdomaintransfernetworkbasedonamultiＧ
la
y
ercrossＧma
p p
erce
p
tualnetworkisinnovativel
y p
ro
p
osed．Finall
y
,
a h
y
bridrecommendation
decoderisex
p
loredtoconsidertheinformationfrombothdomainstoachieverecommendationineach
domain．Weconductex
p
erimentsonarealＧworlddatasetHVIDEO
,
andtheex
p
erimentalresultsshow
thatSCRMout
p
erformsallthebaselinemethodsintermsof
MRR
and
Recall
．Intermsoftrainin
g
efficienc
y
,
SCRMachievesshortertrainin
g
andlearnin
g
timethanRNNＧbasedmethods．
Ke
y
words multiＧheadselfＧattention
;
sharedＧaccountrecommendation
;
crossＧdomainrecommendation
;
se
q
uencemodelin
g
;
collaborativefilterin
g
摘
要
共享账户跨域序列推荐
(
sharedＧaccountcrossＧdomainse
q
uentialrecommendation
,
SCSR
)
是指
在多个用户共同使用一个账户和用户的行为会在多个域中产生的情况下
,
给该账 户推荐 下一个 可能会
点击的项目
．
与传统的序 列 推 荐 任 务 相 比
,
共 享 账 户 跨 域 序 列 推荐 主要 面临
２
方 面 的 挑战
:
１
)
每 一 个
账户里的交互行为是由多个用户产生的
,
并且这些用户的行为是混合在一起的
;
２
)
用户在
１
个域中产生
的交互行为可能会提升推荐系统对该用户在其他域的推荐质量
．
目前
,
已有的一些相关工作大都是基于
循环神经网络
(
recurrentneuralnetwork
,
RNN
)
的方法
,
但由于
RNN
本身固有的一 些缺陷
,
导致基 于
RNN
的方法不仅非常耗时
,
而且不能够很好地捕获交互行为之间的长期依赖关系
．
针对
SCSR
问题
,
提
出了基于自注意力的跨域推荐模型
(
selfＧattentionＧbasedcrossＧdomainrecommendationmodel
,
SCRM
)
来解决这
２
个挑战
．
具体而言
,
首先引入
１
个多头自注意力网络来建模
１
个共享账户中多个用户参与的
交互行为
．
然后
,
提出了一个基于多层交叉映 射感知 网络的 跨域传 输单元
,
以实现 借助一 个域的 信息来
提高另一个域的推荐质量
．
最后
,
通过一个混合推荐解码器整合了来自
２
个域的信息以实现在不同域中
的推荐
．
在真实数据集
HVIDEO
上进行了实验
,
实验结 果表明
,
与目前 最新的 基准方 法相比
,
所提出 的
模型能在
MRR
和
Recall
这
２
个指标上取得了更加优异的结果
;
在运行效率上
,
比基于
RNN
的方法取
得了更短的训练和学习时间
．
关键词
多头自注意力
;
共享账户推荐
;
跨域推荐
;
序列建模
;
协同过滤
中图法分类号
TP３９１
;
TP１８１
用户行为序列是指按照用户行为所发生的时间
进行排序而得到的 行 为记 录
,
它是 很 多互 联 网应 用
对用户行为进 行 组 织 和 管 理 的 一 种 重 要 方 式
．
比 如
用户在电子商城点 击 或购 买 商品 的 序列 信 息
,
以及
用户在视频网 站 对 视 频 的 观 看 序 列 等
．
由 于 序 列 信
息通常蕴含 了丰 富的 用户 行为 规 律 和 兴 趣 偏 好 信
息
,
如何对序列信息进行建模
,
并以此预测用户下一
次可能会点击或购 买 的项 目
,
成为 近 年来 研 究者 关
注的热点问题
．
序列推荐
[
１Ｇ３
]
同时也是很 多网络 应用
推广 产 品
、
进 行 精 准 营 销 的 重 要 方 法
．
目 前
,
序 列
推荐已经在电商
、
视频 和 音乐 等 领域 得 到了 广 泛的
应用
．
与传统的 序列推 荐任务 相比
,
共享账 户跨域 序
列推荐
(
sharedＧaccountcrossＧdomainse
q
uentialreＧ
commendation
,
SCSR
)
是指在特定背景下进行的序
列推荐任务
,
即
:
为使用共享账户的多个不同用户进
行跨领域的序列推荐
．
其中
,
共享账户是指多个用户
共同使用一个账户
(
如家庭电视账户
);
跨域推荐
[
４Ｇ６
]
是指借助用户在其他领域中的信息来丰富目标域中
的用户信息或用户特征
,
以提高目标域的推荐质量
．
在共享账户跨域序列推 荐 任务 中
:
１
)
本文 考 虑了 共
享账户的情景
．
因 为 在 很 多 应 用 中 使 用 共 享 账 户 已
成为一种普遍现象
．
例如
,
一个家庭的成员往往会使
用同一个账户观看电影
、
电视节目
,
甚至有的家庭会
使用同一个账户进行网上购物
．
在这些情景中
,
共享
账户中的多个用户 的 行为 是 混合 在 一起 的
,
很难 直
接将它们区分开来
,
使得 推 荐任 务 变得 更 具有 挑 战
性
．２
)
本文 考 虑 了 跨域 推荐 的情 景
．
主 要 是 因为
:
一
方面
,
用户的 兴 趣 往 往 是 多 样 的
．
例 如
,
用 户 可 能 会
在同一视频平台上 同 时观 看 不同 类 型
、
不同 题 材的
视频
．
比 如
,
她
∕
他 既 可 能 会 观 看 一 些 技 能 或 教 育 类
的产品
,
也可能会同时观看一些娱乐性的节目
(
如电
视剧
、
电影等
)
．
另一方面
,
虽然用户在每一个域上使
用的产品和服务不 一 样
,
但却 可 以反 映 出用 户 的一
些共同兴趣和特征
．
例如
,
用户对某个作者的喜好可
以同时反映到 电 影 和 读 书 领 域
．
捕 获 用 户 在这 些不
同领域中的行为可以帮助我们更进一步了解用户偏
好
,
以实现在目标域进行更加准确地推荐
．
目前已有的序列推荐算法大都使用递归神经网
络
(
RNN
)
和 卷 积 神 经 网 络
(
convolutionalneural
network
,
CNN
)
[
７
]
对序列信息进行建模
,
但是
RNN
和
CNN
不仅难 以 并行 训练
,
需 要 较 长模 型训 练和
预测时间
,
而且
RNN
和
CNN
在建模用户的序列行
为时都不能够较好地捕捉用户行为之间的长期依赖
关系
,
而长期依赖关 系在 序 列推 荐 任务 中 有时 会 起
着比较重要的 作 用
．
例 如
,
给 定
１
个 购 物 序列
S
１
＝
{
手机
,
鞋
,
口红
,
T
恤
,
巧克力
,
手机壳
},
可以 看 到
,
手机和手机壳之间 存 在比 较 强的 依 赖关 系
,
但是 手
机和手机壳的 距 离 又 比 较 远
．
而 这 种 情 况 在 我 们 日
常生活中是非常常 见 的
,
建模 用 户行 为 之间 的 长期
依赖关系有利 于 进 一 步 提 高 序 列 推 荐 的 精 准 度
．
另
外
,
已有的工作大多 数 都是 针 对单 个 域中 的 用户 行
为进行推荐
,
很少有 同时 考 虑多 个 用户 共 享一 个 账
户和跨域这
２
种情 况
．
例如
,
虽然
π
ＧNet
[
８
]
将共 享 账
户跨域序列 推荐 任务 看作 一种 并 行 的 序 列 推 荐 问
题
,
并且提出一个并 行 的信 息 共享 网 络框 架 来兼 顾
共享账户 和 跨 域 这
２
种 情 况
,
但 是 该 方 法 仍 存 在
２
方面不足
:
１
)
π
ＧNet
使用多 个
RNN
进行用 户行为
５２５２
郭
磊等
:
基于自注意力网络的共享账户跨域序列推荐
of 14
免费下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
评论