【推荐系统】【论文阅读笔记】【survey】A Survey on Session-based Recommender Systems基于会话的推荐系统综述

论文链接:arXiv:1902.04864v1

一、为什么需要基于会话的推荐系统(SBRS)

基于内容的RS和协作过滤RS是两个具有代表性的RS。

然而,这些传统的RS仍然存在一些缺点。关键的一点是,它们只关注用户的长期静态偏好,而忽略了用户的短期事务模式,这会导致用户的偏好随时间的推移而丢失。在这种情况下,用户在某个时间点的意图可能很容易被其历史购物行为淹没,从而导致不可靠的推荐。这是因为这些RS通常以较小的粒度将一个基本事务单元(例如,会话)分解为多个记录(例如,用户-项交互对),然后混合所有这些记录。这种分解实际上破坏了事务行为中嵌入了用户的偏好转移的内在本质。

另一个典型的缺点是,在某些情况下,由于隐私问题,用户id并不总是可用,因此需要用户信息的传统RS不适用。在这种情况下,只能对没有特定用户信息的事务数据提出建议。

为了解决上述问题,有必要考虑事务结构,以便在推荐中捕获更丰富的信息。换句话说,有必要学习用户事务行为模式和用户偏好从一个事务转移到另一个事务。为此,最近提出了SBRS。在这里,会话可以被视为一个购物事件中包含多个购买项目的事务。与基于内容和协作过滤的RS不同,SBRS综合考虑了从一个会话嵌入到另一个会话的信息,并将会话作为推荐的基本单元,如图1的下半部分所示。这样,SBRs的目的是最大限度地减少由于忽略或破坏会话结构所造成的信息损失,如在一些现有方法中。

除了事务性领域之外,sbrs还广泛应用于其他领域,如下一个web页面推荐、下一个POI推荐、旅游推荐、下一首歌曲推荐、下一部电影推荐等等。为了涵盖这些不同的领域,在这项工作中,“会话”的概念并不局限于事务,而是指在一个时间或某个时间段内消耗或访问的元素的集合。例如,用户在一次互联网冲浪中访问的网页可以被收集到一个会话中,用户在一小时或一天内收听的歌曲也可以被分组到一个会话中。

总结下来就是:从研究的角度来看,SBRS可以有效地保持会话数据的自然特性(即会话结构),并最大程度地避免本地信息丢失因此更关注会话数据的动态和局部方面,从而提供更可靠的建议。

 

二、session和session-based recommender systems的概念明确

 

  session:是在一个事件(例如,事务)中或在某一时间段内收集或使用的一组项(例如,指任何对象,例如,产品、歌曲或电影),或在一个时间段(例如,一小时)内发生的一组动作或事件(例如,听一首歌)。

例如,在一个事务中购买的一组项目和用户在一小时内收听的歌曲列表都可以被视为会话。此外,用户在一小时内连续单击的网页也可以被视为会话。

(基于会话的推荐系统(SBRS):给定部分已知的会话信息,例如会话的一部分或最近的历史会话,SBRS旨在基于建模会话内或会话之间嵌入的复杂关系来预测会话的未知部分或未来会话。

 (Intra-session context)会话内上下文:将会话Sn作为要做出推荐根据的当前会话(推荐Sn中的未知项it),则会话内上下文C^{Ia}为Sn中已知的项目集。

 (Inter-session context)会话间上下文:将会话Sn作为要做出推荐根据的当前会话,则会话间上下文C^{Ie}为S之前最近发生的会话集

我们区分了上述两种会话上下文,因为它们实际上涉及到推荐任务的不同类型的关系:会话内上下文嵌入了会话内依赖,会话间上下文主要传递会话间依赖。

 (Session-based recommendation task)基于会话的推荐任务:给定会话上下文C,基于会话的推荐是学习将C映射到推荐目标t:

tfC)的函数f。请注意,会话上下文是基于会话的建议的主要信息;有时,项目特性和用户特性等附加信息也可以作为补充信息并入基于会话的建议中。SBRS通常分为下一个项目推荐,以及下一个会话推荐。

(Next-item(s) recommendations)下一项推荐:给定当前会话的会话内上下文C^{Ia},下一个项目建议预测C^{Ia}条件中的下一个项目。应当指出的是,大多数下一个项目的建议只考虑到本次会话,少数工作将最近的会话作为增编纳入这一上下文中。

(Next-session(next-basket)recommendations)下一会话(篮子)推荐:给定当前会话s的会话间上下文C^{Ie},下一个会话建议将预测会话Sn中可能包含的那些项。

三、会话数据的层次结构及其在SBRS中的具体挑战

项目是关键概念,也是最重要的组成部分

                                                         会话数据的层次结构及其在SBRS中的具体挑战

挑战:

1.内部会话挑战:会话中存在相当复杂的结构。具体来说,层次结构由多个级别组成,从包含在该会话中的项到项的相应特征,再到这些特征的相应值。因此,内部会话挑战包括项目级、特征级、特征值级上的所有挑战以及这些级别之间的交互。

2.会话间挑战是指与会话之间的交互相关联的挑战,包括上图右侧列出的会话级的挑战。一些典型的挑战包括会话异构性、会话之间的顺序依赖性和会话的动态性。

3.外部会话挑战主要包括三类:域级的挑战、建模与会话相关联的上下文的挑战以及外部会话挑战和会话间挑战之间的交互

    SBR中的所有层次上的所有具体挑战可分为以下四类:

(1)各层次内部的异质性是指各层次上具有不同特征的不同元素,因此不能平等对待或以相同的方式建模。

•价值异质性:一个特征的特征值通常分布不同,因此不能平等对待。例如,某些值可能比其他值更频繁。

•特征异质性:一个项目通常包含不同类型的特征,包括分类特征和数值特征,这些异质特征不能以相同的方式建模。

•项目异质性:会话中的项目也有不同的分布(例如,有些项目非常流行,而大多数其他项目可能很少出现)。特别地,sbrS中的上下文项通常是异构的,因为它们与下一个项的关联度不同

•会话异质性:同样,会话异质性主要是指在一系列会话中,不同的上下文会话以不同的规模与当前会话相关;有些会话甚至是无关的或有噪声的会话。

•上下文异质性:各种类型的上下文因素,如时间、地点、季节和用户,对会话的演化有协同作用,但有不同的贡献;它们不能用统一的方法建模。

 

(2)各层内的联接器,由各层内的黄线表示。这里耦合指的是不同层次上的不同元素以某种方式相互依赖的相互作用,它们之间存在着不同的相互作用。

•值级耦合:它包含两种不同类型的值耦合&#

### 回答1: 知识图谱推荐系统调查 知识图谱推荐系统是一种基于知识图谱的推荐系统,它利用知识图谱中的实体、属性和关系来推荐物品。该系统可以通过分析用户的兴趣、行为和偏好来生成个性化推荐。知识图谱推荐系统可以应用于各种领域,如电子商务、社交网络和文本推荐等。目前,该领域的研究重点包括知识图谱的构建、推荐算法的设计和评估方法的研究等。 ### 回答2: 知识图谱推荐系统是一种依靠知识图谱构建的推荐系统,它不仅考虑用户的历史行为和个人喜好,还考虑了物品的属性、关系和语义信息。近年来,知识图谱推荐系统在学术和工业界都受到了广泛关注和研究。 在知识图谱推荐系统中,建立知识图谱是关键步骤之一。知识图谱通常由实体和关系构成,实体可以是物品或用户,关系则可以是它们之间的交互行为、属性描述等。实体和关系之间的语义信息可以通过数据挖掘和自然语言处理等技术自动构建,也可以手工添加和维护。知识图谱的构建,需要结合业务场景和领域知识,通过不断迭代和优化,以获得更好的推荐效果和用户满意度。 知识图谱推荐系统的核心算法是基于知识图谱的推荐算法,主要包括基于图的推荐算法、基于规则的推荐算法、基于深度学习的推荐算法等。这些算法的基本思想是通过利用知识图谱的结构信息和语义信息,对用户和物品进行匹配和推荐,以提高推荐的准确性和个性化水平。 知识图谱推荐系统的应用场景非常广泛,包括电商推荐、新闻推荐、社交网络推荐等。知识图谱推荐系统可以更好地利用物品之间的关联和用户之间的交互,同时可以结合人类的知识和专业判断,提高推荐的可解释性和可靠性。 未来,随着人工智能和大数据技术的不断发展,知识图谱推荐系统将会得到更广泛的应用和深入的研究,同时也面临着更多的挑战,如数据隐私和安全问题、知识图谱的动态维护和更新问题等。要开展更深入的研究和解决这些问题,需要结合各种学科和技术手段,以推动知识图谱推荐系统的发展和应用。 ### 回答3: 知识图谱是一种用来描述各种实体以及它们之间关系的图形化表示工具,近年来,知识图谱被广泛应用于推荐系统中。知识图谱推荐系统在推荐过程中利用知识图谱中的实体和关系信息,可以有效地改进推荐结果的质量和效率。 针对知识图谱推荐系统的开发和应用,近年来已经涌现出了各种基于知识图谱的推荐算法和框架。例如,基于图注意力机制的知识图谱推荐系统可以通过考虑实体之间的直接和间接关系,生成更准确的推荐结果。还有一些基于深度学习的知识图谱推荐算法,如基于RNN的节点属性与图结构编码的方案,已经被证明在准确性和效率方面都有很高的表现。 此外,还有许多研究集中于知识图谱推荐系统的实际应用。例如,在电影推荐领域,研究表明基于知识图谱的推荐系统能够更准确地预测用户对电影的评价和偏好。在旅游推荐领域,基于知识图谱的推荐系统能够根据用户的兴趣和偏好,为用户提供更加个性化的旅游线路规划。 然而,知识图谱推荐系统仍然面临着许多挑战和问题。例如,在实践中,如何有效地构建和管理知识图谱、如何应对数据稀疏性和冷启动等问题,都需要进一步研究和解决。此外,在知识图谱推荐系统中,如何解释预测结果以及保障数据的隐私性等问题也需要考虑。 总之,基于知识图谱的推荐系统是一个具有广泛研究和应用前景的领域。未来的工作应该更加注重实际应用,并进一步解决相关的技术问题,以提高系统的性能和用户体验。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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