近日，數(shù)計(jì)學(xué)院馮海林教授團(tuán)隊(duì)在人工智能頂級(jí)期刊《IEEE Transactions on Neural Networks and Learning Systems 》（中科院1區(qū)Top期刊， IF=10.451）發(fā)表了題為“Dynamic and Static Representation Learning Network for Recommendation”的論文。該研究構(gòu)建了動(dòng)態(tài)和靜態(tài)表征學(xué)習(xí)網(wǎng)絡(luò)，從用戶(hù)評(píng)論文本、用戶(hù)-商品歷史交互行為序列中挖掘用戶(hù)動(dòng)態(tài)興趣和靜態(tài)偏好、商品屬性動(dòng)態(tài)吸引性特征和內(nèi)在屬性特征，在此基礎(chǔ)上構(gòu)建自適應(yīng)融合的推薦策略，顯著提升了推薦的準(zhǔn)確性。
評(píng)論作為用戶(hù)購(gòu)買(mǎi)商品后的反饋，蘊(yùn)含用戶(hù)對(duì)所購(gòu)買(mǎi)商品的真實(shí)偏好，從評(píng)論中挖掘用戶(hù)的觀(guān)點(diǎn)信息有助于提高推薦系統(tǒng)的推薦精度，提升用戶(hù)滿(mǎn)意度?，F(xiàn)有的基于用戶(hù)評(píng)論的推薦方法通常以靜態(tài)方式獲得用戶(hù)偏好表征和商品屬性表征，忽略了用戶(hù)與項(xiàng)目交互歷史中隱藏的時(shí)間信號(hào)和行為模式，無(wú)法捕捉用戶(hù)興趣的動(dòng)態(tài)進(jìn)化性和商品的動(dòng)態(tài)吸引性。為此，論文提出了動(dòng)態(tài)和靜態(tài)表征學(xué)習(xí)網(wǎng)絡(luò)（DSRLN）提升推薦預(yù)測(cè)的準(zhǔn)確度。從用戶(hù)短期交互序列的即時(shí)性和評(píng)論的靜態(tài)性?xún)煞矫鎭?lái)看，定義動(dòng)態(tài)和靜態(tài)特征在描述用戶(hù)的短期和長(zhǎng)期偏好之外，同時(shí)關(guān)注了商品的熱點(diǎn)和固有屬性特征。其次，基于注意力機(jī)制來(lái)構(gòu)建模型，利用自注意力機(jī)制關(guān)注短期交互序列中物品的內(nèi)在關(guān)系，應(yīng)用多頭注意機(jī)制來(lái)逐條處理評(píng)論文本信息，避免了特征強(qiáng)度信息的丟失，同時(shí)又保持語(yǔ)義一致性。最后，該論文提出了一個(gè)統(tǒng)一短期序列數(shù)據(jù)和文本信息的神經(jīng)網(wǎng)絡(luò)框架，其中自適應(yīng)的融合用戶(hù)短期和長(zhǎng)期偏好所占的注意力權(quán)重，為用戶(hù)實(shí)現(xiàn)“千人千面”建模。
IEEE Transactions on Neural Networks and Learning Systems為中科院大類(lèi)一區(qū)TOP期刊，CiteScore排名計(jì)算機(jī)科學(xué)大類(lèi)計(jì)算機(jī)網(wǎng)絡(luò)與通信子類(lèi)所有期刊3/334，以及人工智能子類(lèi)所有期刊5/227，2020年影響因子10.451。
（數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院）
浙ICP備11046845號(hào)-1 浙公網(wǎng)安備33018502001115號(hào) 