基于自编码器和GAN的会话推荐系统解析

### 基于自编码器和GAN的会话推荐系统解析 #### 1. 自编码器在会话推荐系统中的应用 自编码器是提取数据主要特征的强大方法之一，属于用于无监督学习的神经网络，旨在实现降维、最优嵌入和生成建模。为了利用自编码器的优势并克服先前会话推荐系统的问题，不同类型的会话推荐系统都采用了自编码器。 ##### 1.1 神经注意力推荐机（NARM） - **原理**：创建用户当前会话的潜在表示并进行预测，包含基于注意力的机制，与编码器协同工作以建模用户的顺序行为，确定用户在当前会话中的主要目标，并最终创建会话的统一表示。 - **流程**： 1. 编码器将输入点击序列 $x = \{x_1, x_2, ..., x_{t - 1}, x_t\}$ 转换为一组高维数组 $h = \{h_1, h_2, ..., h_{t - 1}, h_t\}$。 2. 将其与时间 $t$ 的注意力信号 $α_t$ 一起发送到会话特征生成器，以创建当前会话的表示并在时间 $t$ 进行解码 $c_t$。 3. 使用 $U$ 矩阵将 $c_t$ 转换为激活函数，以创建所有项目的排名列表。 - **优势**：使用GRU建模用户会话，且使用GRU的所有隐藏状态对会话进行编码。 - **劣势**：会话可能包含噪声或多个用户的选择集合，并非所有依赖关系都能被正确检测和考虑。 ```mermaid graph LR A[输入点击序列x] --> B[编码器] B --> C[高维数组h] D[注意力信号αt] --> E[会话特征生成器] C --> E E --> F[当前会话表示ct] F --> G[U矩阵] G --> H[项目排名列表] ``` ##### 1.2 协作会话推荐机（CSRM） - **原理**：使用内存网络对用户的当前会话进行编码，除了当前会话的信息外，还利用相邻会话的信息提供推荐。 - **架构**：并行实现基于神经网络的两个模块，即内部内存编码器（与NARM架构相似）和外部内存编码器。 - 内部内存编码器由两个子模块组成，一个基于用户交互顺序获取用户的全局行为，另一个关注当前会话中相对重要项目所反映的用户特定行为，其输出线性组合以确定用户在会话中的主要目标和兴趣。 - 外部内存编码器实现基于会话的协作细化方法，从其他相似会话中提取知识。 - 最后，通过融合门控机制组合两个编码器的信息。 | 模块 | 功能 | | ---- | ---- | | 内部内存编码器 | 获取用户全局和特定行为，确定主要目标和兴趣 | | 外部内存编码器 | 从相似会话提取知识 | | 融合门控机制 | 组合两个编码器信息 | ##### 1.3 双注意力神经网络会话推荐系统 - **原理**：使用混合编码器解决忽略用户先前会话兴趣的问题。 - **架构**：混合编码器由会话编码器和用户编码器组成。 - 会话编码器使用会话级注意力机制检查用户在当前会话中的兴趣和目标。 - 用户编码器使用用户级注意力机制区分用户在不同会话之间的兴趣。 - 两个编码器都采用GRU，最后使用解码器计算推荐项目的分数。 ##### 1.4 改进的NARM旅行推荐系统 - **原理**：将用户、城市和旅行的类别及密集特征与旅行历史数据相结合。 - **流程**： 1. 输入特征拼接后分两条路径。 2. 第一组特征在发送到NARM模块之前通过基于注意力的层，这是关联同一输入序列不同位置的重要步骤。 3. 第二组特征绕过NARM模块创建的特征瓶颈，提高解码性能并为会话提供更多上下文信息。 4. 使用在相同训练数据上训练的自编码器嵌入用户信息，确保相似用户在向量空间中接近。 ##### 1.5 基于嵌入技术的新闻推荐系统 - **原理**：使用去噪