近日，數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院以“Enhancing Session-Based Recommendation With Multi-Interest Hyperbolic Representation Networks”（基于多興趣雙曲表征學(xué)習(xí)的會(huì)話(huà)推薦方法）為題發(fā)表在人工智能領(lǐng)域國(guó)際頂級(jí)期刊《IEEE Transactions on Neural Networks and Learning Systems》上。IEEE TNNLS（中科院1區(qū)TOP期刊）是人工智能領(lǐng)域的權(quán)威期刊，2024年影響因子10.2，5年平均影響因子10.4，在JCR期刊COMPUTER SCIENCE類(lèi)中排名第3，主要關(guān)注神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、優(yōu)化算法等相關(guān)領(lǐng)域的研究，期刊全年論文錄用率低于18%。
論文第一作者為劉同存博士，馮海林教授為通訊作者。浙江農(nóng)林大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院為該論文第一單位和通訊作者單位。
隨著隱私保護(hù)政策的實(shí)施和用戶(hù)對(duì)個(gè)人在線(xiàn)行為隱私保護(hù)意識(shí)的增強(qiáng)，在線(xiàn)多媒體平臺(tái)獲取用戶(hù)的行為數(shù)據(jù)并在云端集中計(jì)算變得愈加困難，這就導(dǎo)致傳統(tǒng)的推薦方法難以為用戶(hù)提供精準(zhǔn)的推送服務(wù)。為此，會(huì)話(huà)推薦（SBR）方法因此應(yīng)運(yùn)而生，其核心目標(biāo)是在無(wú)需依賴(lài)用戶(hù)個(gè)人資料或歷史數(shù)據(jù)的情況下通過(guò)當(dāng)前會(huì)話(huà)數(shù)據(jù)識(shí)別用戶(hù)意圖，可以在端側(cè)產(chǎn)生更實(shí)時(shí)的推薦。然而，現(xiàn)有的方法均在歐式空間利用圖網(wǎng)絡(luò)學(xué)習(xí)物品的嵌入和單一會(huì)話(huà)表征，難以捕捉用戶(hù)在短會(huì)話(huà)內(nèi)的多樣性、層次化交互行為模式，是SBR中極具挑戰(zhàn)性的任務(wù)。
為此，論文提出了一種多興趣雙曲表示網(wǎng)絡(luò)（MIHRN），在雙曲空間精巧地建模復(fù)雜的高階空間結(jié)構(gòu)和物品間的序列依賴(lài)關(guān)系提高SBR的性能。具體而言，使用雙曲超圖神經(jīng)網(wǎng)絡(luò)來(lái)挖掘會(huì)話(huà)中固有的高階空間關(guān)系和局部聚集結(jié)構(gòu)；隨后，設(shè)計(jì)了一個(gè)多興趣表示模塊挖掘用戶(hù)興趣的多樣性。實(shí)驗(yàn)結(jié)果表明，所提出的方法在P@10指標(biāo)下分別實(shí)現(xiàn)了23.81%、14.81%和36.84%的提升。
（數(shù)計(jì)學(xué)院）
浙ICP備11046845號(hào)-1 浙公網(wǎng)安備33018502001115號(hào) 