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) (leiguo.cs@gmail.com)

出版日期: 2021-11-01


基金资助:国家自然科学基金项目(61602282,61772321);中国博士后科学基金项目(2016M602181)

Shared-Account Cross-Domain Sequential Recommendation with Self-Attention Network

Guo Lei¹, Li Qiuju¹, Liu Fang’ai², Wang Xinhua²

¹（School of Business, Shandong Normal University, Jinan 250358) 2(School of Information Science and Engineering, Shandong Normal University, Jinan 250358)

Online: 2021-11-01


Supported by:This work was supported by the National Natural Science Foundation of China (61602282, 61772321) and the China Postdoctoral Science Foundation (2016M602181).

摘要/Abstract

摘要： 共享账户跨域序列推荐(shared-account cross-domain sequential recommendation, 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(recurrent neural network, 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(self-attention-based cross-domain recommendation model, 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.

参考文献

相关文章 15

[1]	赵洪科,吴李康,李徵,张兮,刘淇,陈恩红. 基于深度神经网络结构的互联网金融市场动态预测[J]. 计算机研究与发展, 2019, 56(8): 1621-1631.
[2]	吴宾,娄铮铮,叶阳东. 一种面向多源异构数据的协同过滤推荐算法[J]. 计算机研究与发展, 2019, 56(5): 1034-1047.
[3]	张飞,张立波,罗铁坚,武延军. 一种基于特征的协同聚类模型[J]. 计算机研究与发展, 2018, 55(7): 1508-1524.
[4]	张凯涵,梁吉业,赵兴旺,王智强. 一种基于社区专家信息的协同过滤推荐算法[J]. 计算机研究与发展, 2018, 55(5): 968-976.
[5]	孟桓羽,刘真,王芳,徐家栋,张国强. 基于图和改进K近邻模型的高效协同过滤推荐算法[J]. 计算机研究与发展, 2017, 54(7): 1426-1438.
[6]	何明,常盟盟,吴小飞. 一种基于差分隐私保护的协同过滤推荐方法[J]. 计算机研究与发展, 2017, 54(7): 1439-1451.
[7]	彭珍连,王健,何克清,唐明董. 一种基于特征模型和协同过滤的需求获取方法[J]. 计算机研究与发展, 2016, 53(9): 2055-2066.
[8]	郭弘毅,刘功申,苏波,孟魁. 融合社区结构和兴趣聚类的协同过滤推荐算法[J]. 计算机研究与发展, 2016, 53(8): 1664-1672.
[9]	王瑞琴,蒋云良,李一啸,楼俊钢. 一种基于多元社交信任的协同过滤推荐算法[J]. 计算机研究与发展, 2016, 53(6): 1389-1399.
[10]	顾梁,杨鹏,罗军舟. 一种播存网络环境下的UCL协同过滤推荐方法[J]. 计算机研究与发展, 2015, 52(2): 475-486.
[11]	朱夏,宋爱波,东方,罗军舟. 云计算环境下基于协同过滤的个性化推荐机制[J]. 计算机研究与发展, 2014, 51(10): 2255-2269.
[12]	李瑞敏,林鸿飞,闫 俊. 基于用户-标签-项目语义挖掘的个性化音乐推荐[J]. 计算机研究与发展, 2014, 51(10): 2270-2276.
[13]	郭 磊 马 军 陈竹敏. 一种信任关系强度敏感的社会化推荐算法[J]. 计算机研究与发展, 2013, 50(9): 1805-1813.
[14]	王 鹏 王晶晶 俞能海. 基于核方法的User-Based协同过滤推荐算法[J]. , 2013, 50(7): 1444-1451.
[15]	贾冬艳 张付志. 基于双重邻居选取策略的协同过滤推荐算法[J]. , 2013, 50(5): 1076-1084.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4533