基于用戶偏好的序列推薦算法研究基于用戶偏好的序列推薦算法研究

摘要：

序列推薦是個重要但也極具挑戰(zhàn)性的任務(wù)，特別是當考慮到有些物品的推薦與它們在序列中的位置有著密切的關(guān)聯(lián)時。過去的研究主要集中在基于單個物品的推薦，而忽略了用戶對物品的偏好可能隨著時間而發(fā)生變化。針對這些需求，本論文提出了一種基于用戶偏好的序列推薦算法，該算法從多個信息源中提取用戶表示，運用長短時記憶模型（LSTM）模型學習用戶的偏好軌跡，結(jié)合位置偏移信息和物品相似度，進行物品的序列和位置推薦。實驗結(jié)果表明，我們提出的方法與現(xiàn)有的序列推薦算法相比，在推薦準確性和覆蓋率方面取得了較好的效果。

關(guān)鍵詞：序列推薦；長短時記憶模型；用戶偏好；位置偏移；物品相似度

一、引言

序列推薦是個旨在為用戶提供個性化服務(wù)的任務(wù)，其目的在于找到用戶歷史上可能感興趣的物品序列，并以此為基礎(chǔ)給出新的推薦列表。序列推薦因為考慮了物品序列之間的關(guān)聯(lián)信息，相較于以往的單個物品推薦具有更高的評估價值，對于內(nèi)容消費類網(wǎng)站例如電影、音樂等具有很好的應(yīng)用前景。然而，在面對復(fù)雜的用戶行為數(shù)據(jù)并從中挖掘出準確且靈活的用戶興趣模式顯然并不是一件簡單的任務(wù)。

一般的序列推薦算法可以分為三個步驟：表示學習、序列建模和預(yù)測，表示學習的目的是將用戶行為數(shù)據(jù)映射為低維向量，以方便后續(xù)的處理。序列建模是為了捕捉用戶的偏好動態(tài)變化，以及它們對不同位置物品的影響，預(yù)測具有高概率性的下一次物品，從而生成推薦列表。最近的一些研究工作，不是在上述傳統(tǒng)算法中添加了時序權(quán)重以提高其性能，而通過引入深度學習的理論和方法，使得對用戶行為數(shù)據(jù)進行表征和處理更加高效、準確。如限制玻爾茲曼機、因子分解機、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短時記憶模型等均用于序列推薦任務(wù)中，而這些技術(shù)也始終引領(lǐng)著序列推薦研究的發(fā)展。

基于現(xiàn)有的研究成果，本論文關(guān)注于一直被忽略的用戶偏好變化問題，進一步提出了一種基于用戶偏好的序列推薦算法，在表示學習階段同時利用多個數(shù)據(jù)源信息對用戶進行刻畫，并通過長短時記憶模型捕捉用戶的偏好軌跡演化過程，以及物品的相對位置影響，生成推薦序列。為了展示該算法的有效性，我們比較了它與典型的序列推薦模型在一些真實數(shù)據(jù)集上的表現(xiàn)，并進行了全面的實驗分析。

二、相關(guān)研究

序列推薦是個近幾年才開始興起的研究領(lǐng)域，相關(guān)研究工作主要可以分為基于內(nèi)容和協(xié)同過濾兩類。其中基于內(nèi)容的算法，主要通過分析物品的文本特征、圖像特征等來推薦相似物品，該算法有明顯的可擴展性和個性化的特點；而協(xié)同過濾則是基于用戶相似度、物品相似度等關(guān)系來推薦，該算法具有更好的實時性和精確性。

在序列推薦算法方面的研究工作可以被簡單地歸納為三個主要方向：（i）序列數(shù)據(jù)表示：將序列數(shù)據(jù)轉(zhuǎn)換成維度能夠被計算機處理的向量；（ii）序列數(shù)據(jù)建模：對用戶每一時刻的行為，進行建模和預(yù)測；（iii）序列數(shù)據(jù)評估：采用指標來評價推薦算法的準確性和可靠性。

在序列數(shù)據(jù)表示方面，受益于深度學習和自然語言處理中的技術(shù)，就能夠基于環(huán)境、位置、時間等考慮用戶的行為軌跡，以及物品的屬性、標簽等方面，進行表征。

在序列數(shù)據(jù)建模方面，曾經(jīng)采取的是一些傳統(tǒng)的序列建模算法，例如SVM、HMM、最大熵模型等。在后續(xù)的工作中，恰逢深度學習盛行，逐漸在序列推薦中取得更多的應(yīng)用。

隨著互聯(lián)網(wǎng)時代的到來，新媒體越來越受到人們的關(guān)注，因此序列推薦在電影、音樂、電視劇等領(lǐng)域中也展現(xiàn)出了廣闊的應(yīng)用前景。例如，在音樂推薦中，需要考慮到歌曲之間的交叉和關(guān)聯(lián)性；而在電影領(lǐng)域中，除了時間和位置外，還可以加入演員、導(dǎo)演等，基于制作人員進行推薦?？傊蛄型扑]算法具有很大的應(yīng)用前景，但如何處理有挑戰(zhàn)性的序列推薦問題，是值得研究者們深入探討的方向。

三、基于用戶偏好的序列推薦算法

通過多年的研究，我們發(fā)現(xiàn)現(xiàn)有的序列推薦算法雖然表現(xiàn)良好，但對于用戶個性化需求的反應(yīng)效果卻不盡如人意。這是因為大多序列推薦算法都以用戶歷史行為數(shù)據(jù)為唯一初始信息進行推薦，而忽略了用戶行為偏好可能隨著時間而發(fā)生變化的情況?；诖?，我們提出了一種基于用戶偏好的序列推薦算法，以更好地反應(yīng)用戶的個性化需求，該算法包括以下主要步驟：

1）用戶表示學習

在用戶表示學習中，我們針對用戶指標、動態(tài)偏好表現(xiàn)等多個方面特征，從多個數(shù)據(jù)源中提取數(shù)據(jù)，對用戶進行刻畫。具體而言，我們將用戶歷史上的行為序列、位置序列、時間序列等多個數(shù)據(jù)源結(jié)合起來，構(gòu)成一個大矩陣，然后用矩陣完成所有數(shù)據(jù)源的信息融合。該大矩陣具有更豐富的信息，對于表示學習是非常有利的。最后，我們采用迭代式自編碼器（IAE）來學習用戶表示，以便在下一步中處理。

2）用戶偏好動態(tài)建模

在用戶偏好動態(tài)建模中，我們通過長短時記憶網(wǎng)絡(luò)（LSTM）來學習用戶的偏好軌跡演化過程，LSTM在構(gòu)建時序數(shù)據(jù)模型中十分有效，它通過選擇性遺忘方式，將歷史的信息進行傳遞，建立了一個相對完整的用戶偏好軌跡。具體而言，我們將輸入序列依次在嵌入層、LSTM層、全連接層進行處理，最終得到每個時間段圖標的隱層表示向量。這些隱層向量將被視為描述整個序列歷史的全局向量，以便在下一步中對物品位置和相似度的準確預(yù)測提供支持。

3）物品序列和位置推薦

在序列和位置推薦中，我們考慮位置偏移和物品相似度的影響，將用戶既定偏好和當前情況下的信息結(jié)合起來，利用動態(tài)偏好化位置權(quán)重和物品權(quán)重來生成推薦序列。最終，我們采用實驗證明了我們提出的基于用戶偏好的序列推薦算法的有效性。

四、實驗與分析

我們將提出的算法在三個不同的數(shù)據(jù)集上進行了實驗評估，在評估過程中，比較的模式包括LSTM、FPMC、GRU4Rec和CASM。將實驗結(jié)果分為推薦準確性、推薦召回率、覆蓋率三個部分予以分析。其中，推薦準確性是指推薦商品包含在用戶的購買列表中的準確率；推薦召回率是指在前N個推薦商品中覆蓋實際購買物品的比例；覆蓋率則是指覆蓋到的商品種類數(shù)占所有商品種類的比例。

通過實驗結(jié)果表明，我們提出的基于用戶偏好的序列推薦算法相比現(xiàn)有的序列推薦算法在各種評價指標的表現(xiàn)較好，尤其在準確性和覆蓋性方面取得了更好的效果。

五、結(jié)論

本論文提出了一種基于用戶偏好的序列推薦算法，該算法利用了多個數(shù)據(jù)源的信息，結(jié)合長短時記憶模型來捕捉用戶的偏好軌跡演化過程，以及物品的相對位置影響，并以此來生成相應(yīng)的推薦序列。我們通過實驗在三個數(shù)據(jù)集上評估了算法的性能,結(jié)果表明該算法比其它經(jīng)典算法具有更好的推薦準確性、覆蓋率和召回率，證明提出算法的有效性和實用性。基于此，我們期望我們的方法可以被廣泛地應(yīng)用在各種序列推薦任務(wù)中，尤其在工業(yè)界中得到更廣泛的應(yīng)用六、進一步工作

雖然本論文提出的基于用戶偏好的序列推薦算法在推薦準確性、召回率和覆蓋率等各項指標上表現(xiàn)出較好的性能，但是仍然存在一些可進一步改進的空間。主要包括以下幾個方面：

首先，雖然本算法利用了多個數(shù)據(jù)源的信息，但是目前仍未涉及到更加深層次的用戶行為數(shù)據(jù)，如用戶的點擊行為、搜索行為等，這些信息也能夠為推薦算法提供更為豐富的信息，進一步提高推薦效果。

其次，本算法使用的是基于長短時記憶模型的序列建模方法，雖然表現(xiàn)出了較好的性能，但是仍然有一定的局限性，如對于長序列的建模能力等。

最后，本算法目前僅針對單一用戶的推薦，對于多個用戶之間的交互、社交因素等仍未考慮，這也是未來研究的一大方向。

因此，未來相關(guān)研究可以結(jié)合更為豐富的用戶行為數(shù)據(jù)，探索更為有效的序列建模方法，并深入研究多用戶之間的交互、社交因素等，提升序列推薦算法的性能和實際應(yīng)用效果進一步工作

除了上文提到的可進一步改進的方面，本文還有以下幾個方面需要進一步研究：

首先，由于本文使用了較為嚴格的用戶偏好篩選方法，導(dǎo)致了許多用戶的數(shù)據(jù)被忽略掉，需要進一步探索如何更加準確地篩選出用戶的偏好，同時還需要考慮如何在保證準確性的前提下不影響推薦的多樣性和覆蓋率。

其次，在實際應(yīng)用中，由于大部分用戶的數(shù)據(jù)都是離散的，所以需要進一步探索如何對離散數(shù)據(jù)進行更為有效的處理，提高序列建模的效果和準確性。

最后，由于本文的研究對象主要集中在旅游領(lǐng)域，所以對其他領(lǐng)域的序列推薦算法的研究仍然很有必要，進一步豐富序列推薦算法的應(yīng)用領(lǐng)域和范圍，使其能夠更好地服務(wù)于廣大用戶。

因此，未來相關(guān)研究可以結(jié)合更為準確的用戶偏好篩選方法，探索離散數(shù)據(jù)的序列建模方法，并拓展序列推薦算法在其他領(lǐng)域的應(yīng)用。同時，還需要進一步研究如何在平衡推薦準確性、多樣性和覆蓋率的情況下，提高序列推薦算法的實際應(yīng)用效果另外一個可以進一步研究的方面是如何在推薦結(jié)果中考慮到用戶的動態(tài)行為。傳統(tǒng)的推薦算法大多是基于用戶歷史行為進行推薦的，忽略了用戶行為的動態(tài)性。但是，用戶的興趣和偏好是會隨著時間和環(huán)境的變化而變化的，因此在推薦時需要考慮到這個因素。

為了解決這個問題，可以在模型中引入時間和環(huán)境等因素。其中，時間因素可以通過引入時間衰減函數(shù)來表示。環(huán)境因素可以通過用戶所在的地理位置、當?shù)氐奶鞖?、熱點事件等因素來表示。例如，當用戶在旅游時，推薦算法可以根據(jù)用戶所在地的天氣情況和當?shù)氐臒衢T景點來進行推薦。

此外，還可以通過引入用戶的情感因素來進一步提高推薦的準確性和用戶體驗。情感因素可以包括用戶對景點的評價、用戶所處的情感狀態(tài)等。例如，某些用戶可能更加偏愛浪漫的景點，而另一些用戶則更加偏愛刺激的活動。因此，在推薦時還需要考慮到這些因素。

總之，未來的研究可以通過結(jié)