论文部分内容阅读
为了解决互联网中的信息过载问题,推荐系统已经被广泛地运用于各种应用中,例如视频网站、电商平台等。从数字电视发展而来,IPTV使观众能够以更方便、更高效的方式访问多媒体内容。尤其是,IPTV提供的交互式服务,使得观众能够在任何时候观看优选的内容。然而,随着可用内容的不断增加,IPTV也面临着“用户选择困难”的窘境。因此,IPTV运营商发展推荐系统向观众提供个性化服务。本文以面向IPTV应用的推荐模型为主要研究内容,使用了深度学习中的注意力机制来构建相应的推荐模型。具体来讲,针对IPTV应用中的隐式反馈问题,提出了模型Transformer with Fusion对用户的行为序列建模;针对IPTV账户由家庭用户共享的问题,提出了模型Trans-LSTP对用户的行为序列建模。论文主要完成了以下三个方面的工作。1.根据用户的序列行为,本文提出了基于Transformer和MLP的Transformer with Fusion,来解决IPTV应用中根本不存在显示反馈、而存在大量隐式反馈的问题。具体而言,基于Transformer的语义层对用户的历史顺序行为进行建模,并将目标影片进行解码来获得用户的语义偏好;融合层捕获用户的语义偏好与目标电影之间的线性和非线性相关性。该方法已经在IPTV应用在线推荐系统中得到验证。同时,Movielens数据集和Amazon Product数据集的实验结果也证明了该方法的有效性。2.本文提出了一种名为Trans-LSTP的模型,来解决IPTV账户通常由一组家庭用户共享、而每个家庭成员的偏好可能有所不同的问题。为了更动态地了解家庭用户的偏好,该模型介绍了家庭用户的长期偏好和当前用户的短期兴趣。尽管每个家庭成员的喜好都不尽相同,但本文认为,每个家庭成员都会受到家庭的影响,选择符合大众口味的影视作品。Transformer中的注意力机制自动分配物品的权重,以动态捕获长期和短期兴趣。同时,分层设计将长期和短期偏好自适应地组合在一起,并注意它们对每个成员的不同影响。Amazon数据集和子类别数据集的实验结果还表明,该方法的性能超过了所有基线模型。3.为了在IPTV应用的在线推荐系统中运行模型,本文还研究了推荐系统中的深度推荐模型的实践,包括数据预处理和特征工程,模型训练和存储,模型部署和推理,这是工业推荐系统的重要组成部分。