【推荐算法论文阅读】Session-based recommendations with recurrent neural networks

最新推荐文章于 2023-10-30 10:13:37 发布
最新推荐文章于 2023-10-30 10:13:37 发布
阅读量1.3k 收藏 6
点赞数
分类专栏： 推荐算法 文章标签： 推荐算法 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36643449/article/details/122344299
版权

一、背景

基于会话的推荐方法，主要有基于物品的协同过滤和基于马尔可夫决策过程的方法。

基于物品的协同过滤，需要维护一张物品的相似度矩阵，当用户在一个session中点击了某一个物品时，基于相似度矩阵得到相似的物品推荐给用户。这种方法简单有效，并被广泛应用，但是这种方法只把用户上一次的点击考虑进去，而没有把前面多次的点击都考虑进去。

基于马尔可夫决策过程的推荐方法，也就是强化学习方法，其主要学习的是状态转移概率，即点击了物品A之后，下一次点击的物品是B的概率，并基于这个状态转移概率进行推荐。这样的缺陷主要是随着物品的增加，建模所有的可能的点击序列是十分困难的。

二、亮点

  1. 使用RNN建模基于会话的推荐系统，建模多次点击序列；
  2. 使用ranking loss来训练模型
  3. 为了提高训练的效率，采用mini-batch并行训练和负采样的策略

三、模型具体结构

在这里插入图片描述

请添加图片描述

四、ranking loss

本文使用ranking loss，ranking可以是逐点(pointwise)、成对(pairwise)或列表(listwise)：

  • 逐点排名独立地估计item的得分或排名，损失的定义方式应确保相关item的排名较低。
  • 成对排名比较一个positive item和negative item的得分或成对排名，损失的定义方式应确保positive item的排名低于negative item的排名。
  • 列表排名使用所有item的得分或排名，并将其与perfect ordering进行比较。由于它包括排序，因此通常计算成本更高，因此不经常使用。

本文中，作者发现逐点排名不稳定，而成对排名的损失表现良好。

1. 贝叶斯个性化排名(Beyesian Personalized Ranking，BPR)

请添加图片描述

2. 本文使用的ranking loss

请添加图片描述

最低0.47元/天 解锁文章
《论文阅读》SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
qq_43238825的博客
11-27 1402
《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》阅读笔记
Session-based Recommendations with Recurrent Neural Networks
D_feather的博客
03-27 475
Abstract 我们将RNN使用在了一个新的领域——推荐系统。现实的推荐系统经常面对短对话数据（例如体育服装店）而不是充足的用户使用记录（例如Netflix)。在这种情况下，经常被称赞的矩阵分解的方法不在准确。这个问题在实践中经常使用基于物品的推荐来解决。例如，推荐相似物品。我们认为通过对整个会话进行建模可以给出更加准确的建议。因此，我们提出了一种基于会话的RNN推荐方法。我们的方法同样被认为在...
Session-based Recommendations with Recurrent Neural Networks.pdf
05-30
Session-based recommendation is a relatively unappreciated problem in the machine learning and recommender systems community.
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
qq_46281780的博客
11-19 1194
论文带读第二次
读书笔记1：《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》
sa726663676的博客
03-19 876
先来理解一下Session-Based Recommendation的定义。它的中文翻译是基于会话的推荐。 关于会话我的理解是：就像在网上下一个大文件（如果对方服务器支持断点重传），我们可以每天抽出多段时间去下载。每天抽出的多段时间中的一段开始到暂时的时间就可以看成是一个会话。用户的整个记录就是用户每天的签到会话组成。 我觉得：固定的时间窗口内的签到行为（我自己的定义，\狗头），较短时间内的连续签...
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS.pdf
05-16
本文讨论了一种基于会话的推荐系统方法，该方法利用循环神经网络（Recurrent Neural Networks, RNN）来处理推荐系统中的短期行为数据。推荐系统是电子商务、社交媒体、新闻网站等领域的重要组成部分，它们旨在为用户...
【推荐算法论文阅读】Recurrent Neural Networks with Top-k Gains for Session-based Recommendations
qq_36643449的博客
03-21 1790
本文是一篇很好的讲述进行梯度下降和参数更新时，困难样本、简单样本与梯度消失之间的关系，以及如何设置使简单样本对平均梯度的影响更小。 一、sampling the output 在每个训练步骤中，GRU4Rec 将会话中当前事件的项目（由 one-hot 向量表示）作为输入。 网络的输出是项目的一组分数，对应于它们成为会话中下一个项目的可能性。 GRU4Rec 引入了基于mini-batch的采样。 对于mini-batch中的每个example，相同mini-batch的其他examples作为负样本。
论文阅读笔记一：SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS
m0_64290725的博客
07-23 1153
论文阅读笔记一：SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS，基于RNN的会话推荐。
Session-based recommendations with recurrent neural networks（阅读理解）
u014029197的博客
06-08 3169
本文是最大贡献在于第一次将RNN使用到Session-based Recommendation中作者将用户的行为作为看做是序列问题，有效的将时间信息添加到网络中，在传统的两类推荐方法中——基于内容的推荐算法和协同过滤推荐算法（model-based、memory-based）在刻画序列数据中存在缺陷：每个item相互独立，不能建模item的连续偏好信息，缺失了整个序列的休息。而本文的方法恰好运用到...
2016-Session based Recommendations with Recurrent Neural Networks.pdf
06-11
Session based Recommendations with Recurrent Neural Networks
2019-Session-based Recommendation with Graph Neural Networks.pdf
01-14
2019-Session-based Recommendation with Graph Neural Networks
推荐系统遇上深度学习(四十)-SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
abcdefg90876的博客
04-29 1322
好啦，是时候继续我们推荐系统的学习了，从本篇开始，我们来一起了解一下Session-Based Recommendation。今天，我们介绍的文章题目为《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》，通过循环神经网络来进行会话推荐。论文下载地址为：http://arxiv.org...
论文笔记：session-based recommendations with recurrent neural networks
chris_xy的博客
09-24 4566
占坑中。。。。。。。。。。。。。。作者尝试了 常见的 point-wise rank loss，即认为负样本为 0， 正样本为 1 的loss function，发现训练出来的模型并不稳定，原因可能因为在推荐里面，并不存在绝对的正样本和负样本。在同一个情景里面，用户只能点击一个最偏好的item，对其他item可能也存在偏好，这并不是一个非黑即白的classification问题。然后作者尝试了 pa
传统序列召回实践：GRU4Rec——Session-Based Recommendations with Recurrent Neural Networks
weixin_46191103的博客
11-20 405
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
《session-based recommendations with recurrent neural networks》ICLR 2016 阅读笔记
studyless的博客
03-03 2947
文章简介: 该文提出了利用RNN建模一个session间用户的点击序列。该方法完全利用用户在当前session里的反馈去做推荐，相比原依赖用户历史记录的推荐能在解决冷启动问题上更为简洁有效。 模型 文中提出的模型如下图所示: Input层是对所有item做的one-hot encoding, 接下来是一层embedding层，再往下是一层或多层RNN模型，再往下是一个feedforward层，然
Session-Based Recommendation with Graph Neural Networks
zhangpanfeng1的博客
10-30 587
*背景：**基于会话的推荐问题旨在基于匿名会话预测用户的行为。**不足：**以前的方法将会话建模为序列，并估计除项表示外的用户表示以提出建议。虽然取得了令人满意的结果，但它们不足以获得准确的会话用户向量，并且忽略了项目的复杂转换。**提出的方法：**为了获得准确的项目嵌入，并考虑到项目的复杂迁移，我们提出了一种新的方法，即基于会话的推荐与图神经网络，简称SR-GNN。步骤：在该方法中，会话序列被建模为图结构数据。基于会话图，GNN可以捕捉到以往传统序列方法难以揭示的复杂项目迁移。然后。
Session-basedRecommendationwithGraphNeuralNetworks（论文笔记）
CICI❤️的博客
03-03 455
基于用户协同过滤（User-Based Collaborative Filtering, UBCF）的推荐算法实现
最新发布
03-18
### 基于用户协同过滤（UBCF）的推荐算法实现 #### 1. 数据预处理 在 UBCF 中，数据预处理是一个重要的环节。它涉及将原始用户-物品交互矩阵转换为适合计算的形式。常见的做法是对评分数据进行标准化或归一化处理。 以下是 Python 实现中的数据预处理部分： ```python import pandas as pd import numpy as np def preprocess_data(ratings_df, user_col='user_id', item_col='item_id', rating_col='rating'): """ 将评分数据转换为稀疏矩阵形式。 :param ratings_df: 用户-物品评分 DataFrame :return: 转换后的用户-物品评分矩阵 """ # 构建用户-物品评分矩阵 utility_matrix = ratings_df.pivot(index=user_col, columns=item_col, values=rating_col).fillna(0) # 对每行（即每位用户）进行均值中心化 mean_ratings = utility_matrix.mean(axis=1) normalized_matrix = utility_matrix.sub(mean_ratings, axis=0) return normalized_matrix, mean_ratings ``` 此函数会返回两个对象：一个是经过均值中心化的用户-物品评分矩阵 `normalized_matrix`；另一个是每个用户的平均评分 `mean_ratings`[^1]。 --- #### 2. 计算用户相似度 为了找到与目标用户兴趣最接近的其他用户，可以采用余弦相似度或其他距离度量方法来衡量用户之间的相似程度。 下面是计算用户间相似性的代码片段： ```python from sklearn.metrics.pairwise import cosine_similarity def calculate_user_similarity(normalized_matrix): """ 使用余弦相似度计算用户间的相似性。 :param normalized_matrix: 归一化后的用户-物品评分矩阵 :return: 用户相似度矩阵 """ similarity_matrix = cosine_similarity(normalized_matrix) return pd.DataFrame(similarity_matrix, index=normalized_matrix.index, columns=normalized_matrix.index) ``` 该函数接受规范化后的评分矩阵作为输入，并输出一个对称的用户相似度矩阵 `similarity_matrix`。 --- #### 3. 预测未知评分 预测某个用户未评价过的物品得分时，可以根据与其相似的邻居们的评分为依据加权求和得出估计分值。 具体逻辑如下所示： ```python def predict_ratings(user_id, items_to_predict, normalized_matrix, similarity_matrix, mean_ratings, k_neighbors=5): """ 预测指定用户对某些项目的潜在评分。 :param user_id: 当前要预测的目标用户 ID :param items_to_predict: 待预测项目列表 :param normalized_matrix: 已经标准化的评分表 :param similarity_matrix: 用户之间相似度表格 :param mean_ratings: 各位用户的平均打分数列 :param k_neighbors: 取最近邻的数量，默认取五个近邻 :returns: 返回字典 {item_id -> predicted_rating} """ predictions = {} target_similarities = similarity_matrix[user_id].sort_values(ascending=False)[1:k_neighbors+1] for item in items_to_predict: weighted_sum = 0 total_weight = 0 for neighbor_id, sim_score in target_similarities.items(): if not np.isnan(normalized_matrix.loc[neighbor_id, item]): weight = sim_score * normalized_matrix.loc[neighbor_id, item] weighted_sum += weight total_weight += abs(sim_score) if total_weight != 0: prediction = mean_ratings[user_id] + (weighted_sum / total_weight) predictions[item] = max(min(prediction, 5), 1) # 确保预测范围合理 return predictions ``` 上述代码实现了基于 K 近邻的方法来进行评分预测的功能。 --- #### 4. 整合流程并生成推荐清单 最后一步就是综合前面几步的结果，筛选出那些预计得分会较高的商品呈现给顾客看作最终建议项。 这里给出完整的调用示例以及说明： ```python if __name__ == "__main__": # 加载样本数据集 data = { 'user_id': ['u1','u1','u1','u2','u2','u3'], 'item_id': ['i1','i2','i3','i1','i3','i2'], 'rating' : [5 ,3 ,4 ,4 ,2 ,1 ] } df = pd.DataFrame(data) norm_mat, avg_rts = preprocess_data(df) sim_mat = calculate_user_similarity(norm_mat) test_user = 'u2' unseen_items = set(df['item_id']) - set(df[df['user_id']==test_user]['item_id']) preds = predict_ratings(test_user, list(unseen_items), norm_mat, sim_mat, avg_rts) recommendations = sorted(preds.items(), key=lambda x:x[1], reverse=True)[:3] print(f"Top recommended items for user '{test_user}':", dict(recommendations)) ``` 这段脚本演示了一个简单的端到端工作流，从加载基础资料直至输出个性化提议列表为止。 --- ### 总结 通过以上步骤可以看出，在实际应用过程中需要考虑诸多因素比如冷启动问题、稀疏性和性能瓶颈等问题。尽管如此，User-Based Collaborative Filtering 方法因其直观易懂而被广泛应用于各种场景之中[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值