计算机应用

作者：孙男男, 朴春慧, 马新娜

单位：1.石家庄铁道大学 信息科学与技术学院, 石家庄 050043；2.北京全路通信信号研究设计院集团有限公司, 北京 100070；3.河北省电磁环境效应与信息处理重点实验室(石家庄铁道大学), 石家庄 050043

关键词：门控循环单元,自注意力网络,团购,个性化时间间隔,社交网络

基金：国家自然科学基金资助项目(12172234);河北省重点研发计划项目(21355902D)

针对目前团购推荐方法较少结合单个用户与群组用户，并且对时间间隔、社交关系等上下文相关信息的利用不充分的问题，提出了一种基于社交关系和时序信息的团购推荐方法。对单个用户进行推荐时，针对循环神经网络（RNN）的门控循环单元（GRU）在团购推荐时没有考虑时序信息的影响，以及用户-商品交互序列中不相关的商品数据会产生噪声等问题，提出了融合时序感知GRU和自注意力的团购推荐模型（RTSA）。首先，通过计算用户购买的任意两个商品之间的个性化时间间隔，构建了时序感知GRU（TGRU）模型；然后，采用自注意力网络研究商品位置及个性化时间间隔的影响；最后，实验结果表明在Amazon Beauty数据集中，RTSA相较于对单个用户推荐的最优的基线模型——基于时间间隔感知自注意力的序列化推荐模型（TiSASRec），前10个商品命中率提升了11.73%。对群组用户进行推荐时，针对团购群组推荐中预定义的融合策略不能动态获取群组用户权重，以及群组-项目交互数据的稀疏性等问题，提出了融合社交网络和分层自注意力的团购推荐模型（SSAGR）。首先，采用RNN捕捉团购中用户随时间变化的复杂潜在兴趣；其次，利用分层自注意力网络将社交网络信息整合到用户表示中，在不同权重下实现群组偏好聚合策略；然后，通过神经协同过滤（NCF）挖掘群组-项目交互，并实现了团购推荐；最后，实验结果表明，在MaFengWo数据集中，SSAGR相较于对群组用户推荐的最优的基线模型AGREE（Attentive Group REcommEndation），前5个商品命中率提升了3.53%。

来源：2023年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第6期