会话基于上下文感知推荐模型和神经网络封闭图

文摘

基于神经网络图(GNN)方法已经成功地应用于基于会话的推荐任务。然而,在面对复杂和不断变化的现实世界的情况下,现有的会话推荐算法没有充分考虑用户的上下文信息的决策;此外,上下文信息行为模型的重要性已经被广泛认可。在此基础上,本文提出了一种基于会话的推荐模型神经网络(CA-GGNNs)环境敏感和封闭的图。首先,介绍了会话序列图结构的数据。第二,在会话中每一项的嵌入向量表示图获得通过使用神经网络(GGNN)封闭图。摘要格勒乌在GGNN扩大来取代传统的输入矩阵和状态矩阵格勒乌的输入上下文捕获会话(例如,时间、地点和假日)和间隔上下文(代表总数的比例会话中的每一项的会话)。最后,一个柔软的注意机制是用来捕捉用户的利益和偏好,并给出一个推荐列表。CA-GGNN模型结合了会话序列信息和上下文信息在每一个时间。开放Yoochoose和Diginetica数据集上的结果表明,该模型具有显著提高与最新的会议推荐的方法。

1。介绍

如今,互联网上的信息量呈爆炸式增长。推荐系统已经成为必不可少的工具,以缓解信息过载,提高用户体验。传统的推荐方法往往依赖于用户配置文件和可用的历史行为信息。然而,随着用户隐私的重要性,它是越来越困难的系统相关的历史信息。这要求推荐系统推荐根据当前用户的交互式会话序列。在这种情况下,推荐系统,它只取决于操作用户的当前会话的序列来预测用户的下一个动作,称为基于会话的建议。会话是user-site交互发生在一个给定的时间段(1]。会话在推荐系统通常反映用户的意图在此期间,如看电影或购买特定的商品(2]。

ever-enriching信息在互联网上收集信息和不断增长的能力,可用系统收集了越来越多的情况下,如位置、时间、假期,和偏好。可以使用这些语境因素在实践中作为用户行为建模的基础。例如,一个用户的午餐往往更加内容丰富,晚饭是光。外出就餐时,优惠套餐也更有吸引力。因此,如何运用丰富的上下文信息基于会话的建议是一个富有挑战性和重要问题。

与深度学习技术的迅速发展,近年来,基于深度学习的会议推荐算法得到了越来越多的关注。其中,由于神经网络图(GNN) [3,4)捕获节点之间的依赖关系的特点,并给出了一个优秀的性能,GNN被用来解决会话推荐问题近年来越来越多的工作。当前主流会话推荐方法关注用户行为的挖掘,也有一些缺陷。一个主要的缺点是,他们没有充分考虑和分析会话项之间的相关性和上下文信息,如用户输入上下文相关的决定,和用户点击项目之间的时间间隔。

GNN-based会议推荐可以使用项目节点预测用户行为趋势的有效利用项目关系和内容的信息。上下文感知推荐方法可以集成多源和异构上下文数据获得更细粒度的产品特性信息和相关关系。因此,结合上下文感知和会话推荐系统具有重要的研究价值和现实意义。

在这项工作中,我们提出一个会话基于上下文感知推荐模型和封闭图形神经网络,缩写为CA-GGNN,用于会话信息模型和两种上下文信息在一个框架。与GNN相比,图神经网络(GGNN)介绍了登机口复发单元(格勒乌)5),在空间域构造一个消息传递模型。传统格勒乌的每一层的输出包含当前输入信息和以前的状态信息,捕捉到的输入矩阵和状态矩阵,分别。首先,CA-GNN的工作模型不同类型的输入上下文信息和区间上下文信息形成一个特定的上下文动态矩阵与输入相关信息:输入矩阵和区间矩阵。输入矩阵代表了外部环境的场景信息,当用户使当前的决定,如一天的时间和地点。区间矩阵代表之间的时间间隔的比例电流决定,下一个决定在整个会话的浏览时间。第二,CA-GGNN取代常数输入矩阵和状态矩阵与矩阵和区间矩阵,分别使用一个特定的上下文矩阵模型输入元素的转换效果。最后,本文使用时间反向传播算法(BPTT) [6]训练提出CA-GGNN模型。总之,这项工作的主要创新如下:(1)本文提出一个会话推荐模型基于上下文和封闭的神经网络图。上下文的方法包括两种类型:输入上下文和区间上下文。这两种情况下,分别代表外部环境的情况下,当用户参与会话和时间的比例由用户浏览每个项目在整个会话的浏览时间。(2)通过扩展GGNN循环单元,GGNN由定义输入的状态转换,转换,和相关的上下文动态模型计算用户会话的兴趣。

上面的两个创新方法进行的实验验证了两个现实地理世界Yoochoose和Diginetica数据集的数据集。

本文的其余部分组织如下。第二部分讨论了相关工作。第三部分介绍了本文提出的方法和模型。第四部分给出了实验结果和分析CA-GGNN模型。最后,在第五部分,总结全文。

2。相关工作

领域的推荐系统,会议建议一直是一个研究热点。与深度学习的引入,递归神经网络(RNN)吸引了人们的注意,因为它能够处理序列数据,所以它正逐渐应用到会议的建议。Hidasi et al。7)成功地应用格勒乌会议首次推荐系统。谭et al。8改善Hidasi et al。通过优化方法的工作如数据增强技术和设置时间限制。之后,刘等人。9)融合的关注与RNN网络,以避免意外点击而造成的利益抵消捕捉用户的主要利益在用户会话有效。尽管RNN可以处理会话数据之间的依赖关系,它忽略了项目之间的依赖关系的转换。

基于上述问题,吴et al。10]GNN用来捕捉项目的复杂的转换和使用一个软的注意机制集成用户首选项。在那之后,徐et al。11)使用的组合GNN和self-attention网络捕捉相邻项之间的关系和全球在会话之间的依赖项。Yu et al。12)使用用户的不同的利益目标项目学习兴趣向量的表达变化与目标项目。徐et al。13)使用self-attention网络之间的互补性和GNN提高推荐性能。实验表明,GNN可以自动提取会话图考虑丰富的节点连接的特点,非常适合会议的建议。

然而,现有GNN-based推荐方法仍有一定的局限性。因为他们只专注于会话序列本身,他们不能捕获会话序列中各项目之间的关联关系和所表达的信息相关的上下文在会话中。GGNN可以通过闸门机制处理会话图根据会话图的性质和充分利用商品的依赖性在会话中。此外,上下文感知显示领域的良好效果的建议,及其研究领域的GNN-based推荐迫切需要开展。

会议记录是不同于一般的行为序列。除了包括用户行为序列,它也有两个重要的上下文特征:第一个特征是用户行为之间的时间间隔,以及行为之间的时间间隔有很重要的影响在用户行为之间的关系14];第二个功能是用户行为序列往往包含大量的输入上下文信息与用户相关的决策。这些输入上下文可以更好地表达用户的主要意图,从而影响推荐结果的质量。

之间的时间间隔的行为,歌曲等。15]天盖茨T1和T2添加到标准LSTM [16)分别处理的时间间隔信息用户的点击序列。刘等人。17]认为建模环境的优势和在同一时间序列信息,实现了模型的显式时间上下文。用户决定环境而言,元et al。18)考虑各种上下文信息在推荐的影响和动态建模用户兴趣通过重新定义格勒乌。歌等。19)认为,用户的兴趣是不同的在每一个时期,很容易受到朋友们的利益。因此,动态图关注网络是用来模拟用户的动态利益的社会影响和相关的上下文。王等人。20.)提出了一种全局上下文图增强神经网络通过使用项目转换在会话中图形和全球图,这可以更好地推断出当前会话的用户首选项。

这些方法都足以证明考虑的顺序和上下文信息的会话可以提高推荐的性能模型,并且他们也用于参考。但是我们仍然有一些额外的思考这些方法。一方面,对于会话序列的两个上下文特征,大多数会话上下文感知推荐方法只使用上下文信息的一部分,在会话中作为背景的基础的建议。因此,本研究认为结合输入上下文和区间上下文会话推荐过程中丰富的会话的特点。

另一方面,循环单元可以有效处理多维上下文信息和我会话序列之间的关系和相关的上下文。GGNN的独特之处是,它使用格勒乌循环单元递归更新会话中的每个节点的嵌入式向量图。因此,GGNN结合上下文意识不仅提高了会话中的条目之间的依赖性也融合上下文信息在一个更合适的方式。在此基础上,本文的主要工作是将相关的上下文信息和提高GGNN-based会议推荐的质量模型。

3所示。CA-GGNN的模型和方法

本节描述会话基于封闭图推荐模型神经网络和上下文感知(CA-GGNN)摘要。本节首先给出了问题的声明,然后描述了CA-GGNN的模型定义和优化。

3.1。问题定义

在这部作品中,CA-GGNN的目标是使用GGNN集成会话序列和相关上下文信息提高推荐的准确性。一个会话序列 安排从小型到大型时间戳,在哪里 所有项目参与所有会话;是输入代表场景上下文信息,例如用户的当前决定时间和地点;是间隔上下文,它代表的百分比之间的时间间隔时间戳目前的决定,时间戳下一个决定在整个会话的浏览时间。推荐的任务 从作为输入。可以被视为一个排序列表。 对应于推荐的一个项目得分在这个会话。顶部K列表中的项目将推荐的候选人。

3.2。CA-GGNN模型

对会议的建议,首先,本文基于会话序列获得的信息两个方面。一方面,本研究使用信息所代表的谈话序列图结构。另一方面,本研究提取输入上下文和间隔的背景下,分别利用外部环境因素相关的会话和会话之间的时间间隔信息项。其次,依次处理每个会话图,和上面的三种信息输入扩展GGNN获得嵌入向量表示基于会话中的项目节点图。然后,嵌入式向量在每个会话表示为全球偏好和当前的利益。最后,对于每个会话,模型预测的概率将成为下一个点击每一项项目。CA-GGNN如图的总体框架1。

图1(一个)显示数据的预处理。中的数据集分为三个部分:输入上下文包括外部环境、间隔上下文组成的比例相邻项目之间的时间间隔在会话的总长度,和会话会话序列图。图1(b)显示了本文的扩展标准GGNN单位,单击项目在时间吗在会话序列和中和自适应输入矩阵和区间矩阵生成的输入上下文和区间上下文对应 。GGNN循环结束后,嵌入向量每个项目的节点可以获得。图1(c)显示了建议的过程。本文使用柔软的注意机制集成用户首选项获得长期利益和使用会话序列中的最后一个项目作为用户的短期兴趣。的向量表示会话序列通过一个线性连接和使用建议的基础。

3.3。封闭的图神经网络

GGNN认为图的结构信息和每个节点的状态信息在每个时间节点向量的生成一个精确的表示。GGNN可以构造一个更可靠的比RNN会话表示。具体地说,学习更新函数的图像节点矢量(9下面的公式所示: 在哪里代表了隐节点的矢量和一个是基于会话的邻接矩阵图。公式(1)显示的步骤在图中不同节点之间传输信息。公式(2)(5类似于格勒乌)信息传输方法,预测输出给定节点在每个时间步的结果T然后更新每个节点的隐藏状态。会话中的每一项的隐式向量表示可以通过重复更新,直到收敛和代表更新重置门和门通常被选为年代函数(10)所示

虽然GGNN取得了令人满意的成果在会话建模中,它仍然具有一定的局限性,因为它忽略了各种上下文信息会话的辅助作用的建议。为了解决这些问题,本文试图将上下文信息合并到GGNN-based会话建模。

3.4。延长GGNN单位

从上面的分析,我们可以看到,公式(3)- (5)不能满足融合上下文信息的需要。因此,本文扩展了现有的GGNN周期元素。本文给出的输入上下文和区间上下文纳入常规格勒乌细胞。这使得会议推荐的过程不仅依赖会话序列信息还在会话序列和相关的上下文信息。特定的扩展方法如下。

正如你所看到的部分3.2公式(4)代表隐藏状态的物品在每次会话序列,包括当前节点项目代表和之前的隐藏状态节点 。 和来自学习历史数据,用于模拟递归一个项目在一个连续的信号表示隐藏状态。因此,本文简化了的隐藏状态的表示项目在时间来

在这种情况下,我们考虑将自适应输入矩阵和过渡矩阵提出了进入和公式(6)。这不仅使GNN增强相邻项之间的相关性也增加了上下文在更新迭代序列的预测。使用GGNN融合输入和间隔上下文可以消除或降低的负面影响忽视相邻项的相关性。因此,每一项的输出节点的隐藏状态在GGNN时间可以表示为 在哪里是嵌入式向量与项目相关联的 ; 是输入上下文权重矩阵的时间吗 ,代表与当前输入环境上下文相关的项目,如时间,地点,假期,和偏好;和是一个特定的间隔上下文重量矩阵表示两个相邻项目之间的时间间隔在一个会话。然而,我们不能学习上下文特定的区间矩阵为每个可能的连续区间值。因此,本文替换信息两个项目之间的时间间隔的总会话持续时间的比例项的浏览时间。

我们认为,当用户浏览商品,他们花更多的时间比项目更有趣的项目不感兴趣,或者错过了分。因此,本研究取代两个项目之间的时间间隔信息与每个项目的浏览时间的百分比在整个会话。这可以显示用户的当前点击率的相关性项目用户当前的利益。例如,用户浏览商品 , ,和45,360年代,60年代在会话s1和240年代,300年代和360年代在会话 。显然,用户对项目的兴趣会话更大比在会话 。因此,本文使用标准分数(21]代表项目的相对位置浏览会话时间信息,使用年代函数(10规范化标准分数,如所示

因此,公式(7)可以写成 在哪里代表一个特定的间隔上下文矩阵,用于表示项目的比例在其会话。

此外,公式(3)代表更新门周期的单位,主要用于确定历史信息的比例和当前信息传播。本文认为更新门不仅依赖于当前的输入和之前的信息隐藏状态,还必须考虑当前上下文。因此,摘要重写更新门 在哪里代表项目的相关背景和是相应的权重矩阵。

3.5。会话向量表示

本文运用会话向量的表示方法吴等人提出的。10]。首先,以最后一个点击项在会话中为用户当前的偏好和前面的点击项长期偏好 。然后,柔软的注意机制是用来测量每个项目的优先级与当前的偏好。它是表示为 在哪里措施项目优先级的关注因素,是嵌入式向量中每个项目的会议,和参数 ,和和是用来调整嵌入向量的物品的重量。

3.6。建议层

模型的训练后,我们可以得到当前项的嵌入式向量和会话的嵌入式向量 。对于每个候选人的最终推荐的概率,点产品是使用第一,然后是年代函数(10)用于获得输出向量 。 表示为 在哪里 显示项的概率将是下一个点击一个项目在当前会话。

然后,叉损失函数(22)是用来测量最终的预测结果,如图所示 在哪里是一个炎热的编码向量代表的基本物品的真正价值。

最后,CA-GGNN模型是使用时间反向传播算法训练BPTT [6]。

4所示。实验结果和分析

在本节中,我们研究在会话CA-GGNN建议通过实验的有效性。首先,我们描述本文的实验设置。然后,提出CA-GGNN模型与其他方法相比,和比较实验进行输入上下文和区间上下文。最后,详细分析了不同的实验设置。

4.1。数据集

这个实验进行了两个真实数据集和丰富的上下文信息。Yoochoose数据集是一个公共数据集从RecSys挑战2015包含在6个月内用户行为的记录。有9249729项和9249729用户点击记录。Diginetica数据集,从CIKM杯2016年,包含43097项总计204771用户点击记录。

为了确保实验的公平性,本文与会话过滤掉所有项目1和事件的长度小于5次在两种数据集,指李的做法等。23和刘et al。9]。这是因为数据一个简短的会话长度或更少的物品浏览不是宝贵的使用。此外,该数据集也存在分歧。Yoochoose数据集,本文使用了最后一天的数据作为测试集和其他数据作为训练集,Diginetica数据集,最后七天作为测试集作为训练集,其余。Yoochoose数据集太大的训练和测试模型。因此,数据集分为1/64和1/4的数据集使用常用的分割方法。数据集的统计信息如表所示1。

基于上下文信息在这两个数据集,本文提取了间隔上下文环境背景和实现CA-GGNN模型提出了。首先,本文提取不同的上下文中使用时间戳信息在两个数据集。Yoochoose数据集,本文提取三种类型的输入上下文信息,共有210个输入上下文值,包括一周7天,一天六个时期,和用户的单击上下文的类型(如喜好,单击条目的类型)。Diginetica数据集,提取两个输入上下文:一周七天,六期一个月。因此,有42 Diginetica输入上下文值的数据集。其次,本文以间隔上下文的比率的浏览时间序列中的每一项总会话长度。为了促进间隔上下文的建模,我们正常区间上下文。我们将间隔上下文在两个数据集划分为10个类型,可有效地防止数据稀疏的问题。因此,有10个区间上下文值这两个数据集。

4.2。评价指标

P@K [24](精密)是用来测量的准确性预测结构在会话中推荐系统,显示比例最高的K列表中的项目的推荐结果正确的样品。

MRR@K [25)(意思是倒数排名)意味着平均排名倒数。该方法基于P@K方法和添加物品位置的影响。列表中项的位置越高的推荐结果,值越小,反之亦然。该值为0时,项目不是第一批K推荐项目。

在这篇文章中,K= 20是用来评估模型,因为在大多数的实际场景会话推荐系统,大多数用户只关注出现在第一页的建议。

5。参数设置

模型的参数设置如下:嵌入式向量的维数和格勒乌的数量设置为100,学习速率= 0.001,学习速率衰减率= 0.1,批量大小= 100,迭代次数= 30。所有参数权重矩阵初始化一个高斯分布的均值为0,标准差为0.1。损失函数模型使用叉和亚当优化方法来解决模型参数。

5.1。比较算法

评估该模型的有效性,我们从不同的角度研究CA-GGNN的有效性和比较模型与以下八个代表模型。流行和年代的流行7):他们是基于流行度预测方法中最常出现的商品推荐一个数据集。BPR-MF [26:它是目前最常用的矩阵算法用来优化成对分类损失函数主要是通过随机梯度下降的方法。Item-KNN [27):根据资讯算法的一个项目,项目的相似性计算主要是根据其共存的会话的建议,并建议通过回忆和会话中最相似的项目。FPMC [28:这是一个序列基于马尔可夫链预测方法和矩阵分解。这种方法主要用于推荐系统来预测未知项的可能性将感兴趣的用户,然后排推荐的项目列表。GRU4REC [7RNN]:这是第一次应用于会议推荐任务。RNN用于用户的点击序列建模,根据项目的普及和样品。抽样结果分为积极的和消极的样品,和rank-based损失函数使用。NARM [23):基于RNN基于会话的推荐模型,注意机制是用来捕捉用户的当前会话的目的从隐藏的状态。邮票(9):介绍了记忆和注意力机制,考虑用户的长期/短期利益。它是用来减少利息漂移的影响推荐结果通过增加短期利益的重量。SR-GNN [10]:它集会话行为序列图数据,通过GNN捕捉项目之间传输模式,吸引用户兴趣使用注意力机制。TAGNN [12]:它代表一个目标注意图神经网络基于会话的建议。Target-aware注意力可以自适应地激活用户的不同利益在不同的目标对象和了解用户的动态变化的意图。DGTN [29日):提出了一种双通道图像转换网络使用对象之间的转换关系。该方法集成目标会话和邻居会话为一个图,并使用channel-aware显式编码会话的信号传播项目的嵌入向量项目。

5.2。整体比较

CA GGNN应承担的模型的验证效果Yoochoose1/64, Yoochoose1/4 Diginetica数据集,本文显示CA GGNN应承担的比较实验结果和其他模型。

从表2会话,可以看出,传统的推荐方法,BPR-MF, Item-KNN,和FPMC流行的基准性能显著提升。这表明会话序列的序列信息推荐的场景会话中具有更大的影响。尽管如此,年代的流行执行比BPR-MF和更稳定,这表明会议推荐的上下文信息的重要性。在所有的比较方法,该方法基于深度学习的最佳性能,反映了深层学习技术的优越性在捕捉用户的利益。然而,所有指标,结果CA-GGNN模型提出了执行最好的三个数据集。P@20的改进范围是1.31% - -71.6%,和相对改进MRR范围大约是1.42% - -32.61%。这些改进演示模型输入和间隔上下文的需要。通过深入学习技术,我们可以更好地掌握复杂的和隐藏的连接用户的利益,而会话的上下文信息不仅有助于有效应对嘈杂的会话数据的模型也增强了模型的稳定性和鲁棒性,从而进一步的提高推荐的准确性。

5.2.1。环境影响

验证上下文的有效性,本文比较了CA-GGNN模型与SR-GNN模型(12没有上下文信息。在三个数据集,Yoochoose1/64、Yoochoose1/4 Diginetica, P@20和MRR@20 CA-GNN和SR-GNN模型比较,如图2。

从图2,我们可以看到,在这三个数据集,CA-GGNN模型和SR-GNN模型的准确性不大幅波动后第五时代,和模型往往是稳定的。从那时起,CA-GGNN模型有一定的改善与SR-GNN模型相比,差距是明显的和稳定的,具体结果如表所示2。这表明相关上下文信息的集成在会话的建议真的提高了该模型的有效性。从P@20的趋势和MRR@20图2,SR-GNN模型显示了显著的波动在前四个迭代中,尽管CA-GGNN模型显示了稳定的上升趋势。可以看出CA-GNN模型更健壮、更容易受到其他因素都在考虑会话序列信息和上下文信息。总的来说,本文中的模型并提高模型的有效性将上下文信息用户的决策。上的改进是更重要的数据和大数据量的Yoochoose1/4 Diginetica。

5.2.2。在两种情况下的影响分析

在会话上下文信息推荐的影响也分为三个方面:(1)只输入上下文CA-GGNN模型(只输入);(2)CA-GGNN模型只有间隔上下文(间隔);(3)CA-GGNN模型输入和间隔上下文(输入和间隔)。图3显示结果与这三个不同的上下文策略。

结果在图3表明CA-GGNN模型达到最佳性能的三个上下文场景。CA-GGNN模型提高P@20约0.61%,2.3%,和0.1%,MRR@20 1.2%, 0.81%,和0.38%相比,该模型只有输入上下文。与模型相比,只有集间隔上下文、P CA-GGNN模型提高了约1.54%,1.31%,和0.25%,MRR提高约0.91%,0.21%,0.44%。这表明这两种类型的上下文信息对会话的建议很重要,不同的角色在不同的情况下推荐信。

5.3。比较与其他最新GNN-Based会议推荐模型

随着模型研究的发展,GNN-based会话建议已收到越来越多的关注。因此,我们考虑是否CA-GGNN模型有更好的推荐性能比其他最新GNN-based会议推荐模型。我们比较了CA-GGNN模型的最新GNN-based会话“TAGNN”和“DGTN推荐模型。“实验结果如表所示3。

从表3的实验结果,我们可以看到CA-GGNN高于TAGNN DGTN。TAGNN和DGTN模型考虑获取项目的复杂性关系在一个会话使用GNN和模型转换用户或项目之间的关系。然而,他们都忽略上下文信息的重要影响在会话中在推荐过程。通过分析,我们可以看到,上下文信息的重要因素之一,影响会议的建议。此外,CA-GNN模型显著提高了Yoochoose1/4和Diginetica数据集。这表明CA-GGNN模型可以获得更准确的推荐结果在许多推荐的场景。

总之,CA-GGNN模型提出了可以有效地模型上下文信息在会话中。相关的上下文信息融合后,CA-GGNN模型更稳定和精度进一步提高。此外,当数据量很大,模型改进的效果更加明显。这表明,有必要引入上下文信息会议推荐的过程。

6。结论

目前,大部分的推荐方法仅供会议使用会话序列信息,不考虑相关上下文信息会议建议的影响。为了解决这个问题,本文提出一种新颖的方法,这是一个会话基于上下文感知推荐模型和神经网络封闭图。摘要会话序列是由一个图结构,充分考虑内部会话项之间的关系。然后,输入上下文和区间上下文相关的会话序列是纳入推荐过程通过扩展GGNN单位。这使得模型能够应对复杂的真实情况和更强的鲁棒性。综合实验结果表明,本文提出的方法优于其他先进方法。

数据可用性

Yoochoose和Diginetica数据集用于支持这项研究的结果已经存入GitHub库。免费的副本可以获得这些数据https://github.com/Arrietti-li/Dataset/tree/e2cdcfcce7ed0df3fbcfb8ec6a1692676d23f638。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由中国国家自然科学基金(61702292)。

引用

1. 问:施c, c, c . Liu,美国,和江x,“环境敏感项目吸引模型基于会话的建议,”专家系统与应用程序文章ID 114834卷,176年,2021年。视图:出版商的网站|谷歌学术搜索
2. d·李,问:高,”研究和基于深度学习的推荐系统,”齐鲁大学技术杂志》上,34卷,不。6日,第29,2020页。视图:谷歌学术搜索
3. 朱问:林,y, h . Lu k .史和z .妞妞,“通过视点图知识,提高大学教师评价”未来一代计算机系统,卷117,不。0167 - 739 x, 181 - 192年,2021页。视图:出版商的网站|谷歌学术搜索
4. y朱、陆h . p .秋施k, j . Chambua z .妞妞,“基于异构教学评价网络离线课程推荐学习和张量分解图,“Neurocomputing,卷415,不。0925 - 2312,181 - 192年,2020页。视图:出版商的网站|谷歌学术搜索
5. k .赵b . v . Merrienboer c Gulcehre et al .,“学习短语表示使用rnn encoder-decoder统计机器翻译,”2014年,http://arxiv.org/abs/1406.1078v3。视图:出版商的网站|谷歌学术搜索
6. d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习back-propagating错误的陈述,”自然,卷323,不。6088年,第536 - 533页,1986年。视图:出版商的网站|谷歌学术搜索
7. b . Hidasi a . Karatzoglou l . Baltrunas, d . Tikk”与复发性神经网络基于会话的建议”,2015年,http://arxiv.org/abs/ 1511.06939。视图:谷歌学术搜索
8. y谭、徐x和y,“基于会话的建议,提高复发性神经网络”学报第一深度学习研讨会推荐系统美国,页17-22,波士顿,MA, 2016年9月。视图:出版商的网站|谷歌学术搜索
9. 问:刘、曾y . r . Mokhosi h·张,“邮票:短期关注/记忆优先级模型基于会话的建议,”《24日ACM SIGKDD国际会议上知识发现和数据挖掘,页1831 - 1839,伦敦,英国,2018年8月。视图:谷歌学术搜索
10. 吴,y, y, l . Wang和t . Tan“基于会话的推荐图与神经网络,”人工智能学报Thirty-Third AAAI会议33卷,火奴鲁鲁,嗨,美国,2019年1月。视图:出版商的网站|谷歌学术搜索
11. 徐,p .赵y刘et al .,“self-attention基于会话的网络图语境化的建议,”《28日国际联合会议上人工智能主要跟踪澳门,页3940 - 3946年,中国,2019年8月。视图:出版商的网站|谷歌学术搜索
12. f . Yu y朱、刘,吴,l . Wang和t . Tan“Tagnn:目标关注图神经网络基于会话的建议,”学报》第43届国际市立图书馆会议在信息检索的研究与开发厦门,页1921 - 1924年,中国,2020年7月。视图:出版商的网站|谷歌学术搜索
13. 徐,p .赵y刘et al .,“self-attention基于会话的网络图语境化的建议,”《国际人工智能联合会议28日魁北克市,页3940 - 3946年,魁北克,加拿大,2019年8月。视图:出版商的网站|谷歌学术搜索
14. y勇、t .歌曲和黄,“基于快速离散曲波变换的图像融合。”图象图形学报,20卷,不。2、219 - 228年,2015页。视图:谷歌学术搜索
15. r .歌曲,m . Wang和x王”与Contourlet变换图像融合算法结合v-transform”,计算机工程,9卷,不。8,219 - 228年,2017页。视图:谷歌学术搜索
16. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,43卷,不。4、1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
17. 问:刘,吴,李z d . Wang和l . Wang“环境敏感顺序建议,”学报2016年IEEE 16数据挖掘(ICDM)国际会议上西班牙巴塞罗那,页1053 - 1058,,2016年12月。视图:出版商的网站|谷歌学术搜索
18. w .元,h . Wang x, n . Liu和z,“引起环境敏感顺序推荐模型,”信息科学卷,510年,第134 - 122页,0020年。视图:谷歌学术搜索
19. w·歌,z, y . Wang l . Charlin m . Zhang和j .唐“基于会话的社会推荐通过动态图关注网络,”学报》第十二ACM国际会议网络搜索和数据挖掘,页555 - 563,墨尔本,维克,澳大利亚,2019年2月。视图:出版商的网站|谷歌学术搜索
20. w z . Wang Wei, g .琮、x l·李和m .秋,“全局上下文图增强神经网络的基于会话的建议,”学报》第43届国际市立图书馆会议在信息检索的研究与开发厦门,页169 - 178年,中国,2020年7月。视图:出版商的网站|谷歌学术搜索
21. 谢她h, s和j .邹”3 d-cnn标准分数降维高光谱遥感图像分类,“计算机工程与应用卷,57号04年,169 - 175年,2021页。视图:谷歌学术搜索
22. j .海岸和r·约翰逊“公理推导的最大熵原理和最小叉的原则,“IEEE信息理论,26卷,不。1,26-37,1980页。视图:出版商的网站|谷歌学术搜索
23. p . j . Li任陈z z,任,t·丽安和j·马,“神经关注基于会话的建议,”学报2017 ACM会议信息和知识管理新加坡,页1419 - 1428年,2017年10月。视图:出版商的网站|谷歌学术搜索
24. m·k·巴克兰和f . c .相当的“回忆和精密(p12-19)之间的关系,“科技期刊协会的信息,45卷,不。1,19,2010页。视图:出版商的网站|谷歌学术搜索
25. n . Craswell”意味着排名倒数,”百科全书的数据库系统施普林格,柏林,德国,2009年。视图:谷歌学术搜索
26. s . Rendle c .州长戴夫z Gantner, l . Schmidt-Thieme“Bpr:贝叶斯个性化的排名从隐式反馈,”学报25日会议上的不确定性人工智能加拿大蒙特利尔,页452 - 461,,2009年6月。视图:谷歌学术搜索
27. j·戴维森,b·利文斯顿,d .位于et al .,“youtube视频推荐系统”《第四届ACM推荐系统西班牙巴塞罗那,页293 - 296,,2010年9月。视图:出版商的网站|谷歌学术搜索
28. s . Rendle c州长戴夫,l . Schmidt-Thieme”next-basket建议都可以个性化的马尔可夫链,”19国际会议的程序在万维网上罗利,页811 - 820年,数控,美国,2010年4月。视图:出版商的网站|谷歌学术搜索
29. y郑、李z s . Liu和s .吴”Dgtn:双通道图像过渡网络基于会话的建议,”2020年,http://arxiv.org/abs/2009.10002。视图:出版商的网站|谷歌学术搜索

版权

版权©2021丹·李和高钱。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。