董燕辉,
肖军弼,
杨勇进
中国石油大学(华东)计算机科学与技术学院 青岛 266580
基金项目:国家重点研发计划(2018YFC1406204)，国家自然科学基金(61872385)，中央高校基本科研业务费专项资金(18CX02140A)
详细信息
作者简介:张红霞：女，1981年生，博士，副教授，研究方向为服务计算，边缘计算，机器学习
董燕辉：男，1996年生，硕士生，研究方向为服务推荐，机器学习
肖军弼：男，1968年生，硕士，副教授，研究方向为计算机网络，软件定义网络
杨勇进：男，1996年生，硕士生，研究方向为边缘计算，深度学习
通讯作者:张红霞 zhanghx@upc.edu.cn
中图分类号:TP391计量
文章访问数:166
HTML全文浏览量:77
PDF下载量:26
被引次数:0
出版历程
收稿日期:2020-11-09
修回日期:2021-06-28
网络出版日期:2021-08-09
刊出日期:2021-10-18
Personalized Commodity Recommendation Method Based on Behavioral Delay Sharing Network
Hongxia ZHANG,,Yanhui DONG,
Junbi XIAO,
Yongjin YANG
College Computer Science and Technology, China University of Petroleum (East China), Qingdao 266580, China
Funds:The National Key Research and Development Project(2018YFC1406204), The National Natural Science Foundation of China (61872385), The Fundamental Research Funds for the Central University (18CX02140A)
摘要
摘要:针对电商平台难以利用历史浏览行为进行个性化商品推荐的问题，该文提出了一种行为延迟共享网络模型(BDSN)，充分结合历史浏览信息，对用户进行精准浏览推荐。该模型提出行为延迟门控循环神经单元(BDGRU)，将历史浏览时间间隔作为用户活跃度因子，对神经元状态进行更新，用于计算用户的兴趣表示。为了提高向量表示的一致性，该模型提出共享参数网络，将用户侧和商品侧的表示向量收敛到统一空间，解决个性化商品推荐点击率预估问题。并在真实数据集上进行实验，结果表明，BDSN模型在验证集上的AUC指标和损失函数均处于最优，在测试集上的AUC指标相较基本模型提高37%，能够有效提升商品推荐的准确性。
关键词:推荐系统/
共享网络/
用户活跃度/
点击率预估/
门控循环单元
Abstract:This paper proposes a Behavior Delayed Sharing Network (BDSN) model to solve the personalized product recommendation problem based on personal historical browsing behaviors. First, a Behavior Delay Gated Recurrent Neural Unit (BDGRU) is presented, which uses the historical browsing time interval as a user activity factor, and updates the neuron state to calculate the user's interest expression. Then, a shared parameter network is proposed to converge the representation vectors on the user side and the goods side into a unified space. Experiments show that the AUC index and loss function of BDSN model on the validation set are both optimal, and the AUC index on the test set increases by 37% compared with the basic model.
Key words:Recommendation system/
Sharing network/
User activity/
Click-through rate estimation/
Gated Recurrent Unit (GRU)
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=9c7de632-741d-4ed2-9a1b-acde9811ebd6
