内容简介
如何有效利用用户会话行为或物品属性等信息提高对当前会话意图建模的准确性值得进一步探索；对于用户长期历史行为存在的序列推荐场景，如何有效利用用户长期历史行为数据以及用户关联的社交网络等信息是进一步提高序列推荐的个性化和精准性的关键问题。本书基于对多场景下用户序列行为的分析，采用多源信息增强的方法，构建多个智能推荐模型，旨在为序列推荐方法提供丰富的监督学习信号，提高序列推荐的精准性和个性化水平。
目录
第1章 绪论
1.1 研究背景
1.2 研究问题和意义
1.3 研究现状
1.4 本书研究内容和组织结构
第2章 基于全局关联关系的自监督图学习会话型推荐方法
2.1 引言
2.2 相关工作分析
2.3 相关理论与技术
2.4 模型框架
2.5 实验设计
2.6 实验结果与讨论
2.7 本章小结
第3章 基于邻居和类别关联关系的超图会话型推荐方法
3.1 引言
3.2 相关工作分析
3.3 相关理论与技术
3.4 模型框架
3.5 实验设计
3.6 实验结果与讨论
3.7 本章小结
第4章 基于分层注意力机制的查询推荐方法
4.1 引言
4.2 相关工作分析
4.3 模型描述
4.4 实验设置
4.5 实验结果分析与讨论
4.6 本章小结
第5章 基于用户长短期行为动态交互的个性化推荐方法
5.1 引言
5.2 相关工作分析
5.3 模型描述
5.4 实验设置
5.5 实验结果分析与讨论
5.6 本章小结
第6章 基于社交网络表征学习的时序推荐方法
6.1 引言
6.2 相关工作分析
6.3 模型描述
6.4 实验设置
6.5 实验结果分析与讨论
6.6 本章小结
第7章 总结与展望
7.1 本书工作总结
7.2 下一步研究展望
前言/序言
随着互联网信息的爆炸 式增长，作为缓解信息过载 问题的有效手段，推荐系统 已成为人工智能领域的一个 重要研究热点，并广泛应用 在电子商务、社交媒体、影 音推荐等场景。常规基于协 同过滤的推荐系统都以静态 的方式对用户—物品交互进 行建模，并且只能捕获用户 的一般偏好，然而在现实生 活中，用户行为连续发生且 偏好存在时变性，常规推荐 系统往往忽略了这一点。序 列推荐试图理解和建模用户 序列行为、用户和物品之间 的交互，以及用户偏好随时 间的演变，从而更精确地描 述用户意图，产生更准确、 个性化和动态的推荐信息。 虽然当前序列推荐系统不断 发展并得到广泛推广和应用 ，但仍存在一些复杂场景下 的序列推荐问题亟待进一步 探索和研究。例如对于匿名 的短期会话推荐场景，由于 无法获取用户历史行为记录 ，用户当前意图只能依据其 短期会话行为进行感知，有 限的监督学习信息限制了模 型推荐的准确性，如何有效 利用用户会话行为或物品属 性等信息提高对当前会话意 图建模的准确性值得进一步 探索；对于用户长期历史行 为存在的序列推荐场景，如 何有效利用用户长期历史行 为数据以及用户关联的社交 网络等信息是进一步提高序 列推荐的个性化和精准性的 关键问题。 本书基于对多场景下用 户序列行为的分析，采用多 源信息增强的方法，构建多 个智能推荐模型，旨在为序 列推荐方法提供丰富的监督 学习信号，提高序列推荐的 精准性和个性化水平。首先 针对匿名短期会话推荐任务 ，本书研究构建了基于全局 关联关系的自监督图学习会 话推荐方法，旨在通过挖掘 不同短期会话间的关联关系 丰富模型监督学习信号；其 次结合物品属性信息，本书 提出了基于邻居和类别关联 关系的超图会话推荐方法， 旨在解决以往方法中普通图 无法建模多元关联关系以及 缺少考虑类别关系的问题； 接着针对查询推荐任务，本 书将用户长期查询会话历史 考虑进来，建立了基于分层 注意力机制的查询推荐方法 ，旨在从用户历史行为中获 取更多用户个性化偏好特征 ，提高查询推荐准确度；最 后针对个性化时序推荐任务 ，本书在考虑用户长短期行 为的同时，结合了用户不同 动作行为的信息，提出基于 用户长短期行为动态交互的 个性化推荐方法，旨在解决 用户长短期偏好动态协同增 强问题；进一步地，本书将 社交网络信息和用户个性化 行为序列相结合，提出了基 于社交网络表征学习的时序 推荐方法，旨在利用社交网 络信息解决个性化时序推荐 中的数据稀疏性和用户冷启 动的问题。本书从问题建模 、算法求解、实验验证与分 析等方面详细介绍了不同场 景下的智能推荐方法。 本书内容是国防科技大 学电子对抗学院与系统工程 学院的科研人员多年学习、 研究沉淀的成果。本书第1 章和第7章由陈皖玉撰写， 第2章由张海燕、黄浩恩撰 写，第3章由王祎童撰写， 第4章由陈炜捷、李国旺撰 写，第5章由蔡飞撰写，第6 章由张一嘉撰写。陈皖玉负 责全书的内容组织与统稿。 序列推荐是推荐系统的 重要组成部分，在实际生活 和应用中不断发展演进，相 关的理论创新和实践探索仍 在飞速进行中，新的序列推 荐算法也在发展和优化中， 限于作者水平，书中难免有 不妥之处，恳请读者批评指 正，共同促进推荐系统的发 展与完善。
