基于注意力机制的神经网络贝叶斯群组推荐算法
来源:用户上传
作者:
摘要：目前基于注意力机制的神经网络推荐算法，如历史反馈信息的推荐系统作为深度学习推荐领域的重点课题，研究的是用户偏好学习同等影响，假设完整表达有效用户偏好特征，将注意力机制融入到深度学习推荐算法中，提出在历史反馈信息中强化注意力，基于注意力机制的推荐算法，输入网络中群组成员的个性化偏好，得到用户历史特征表示，利用多层神经网络对用户项目交互矩阵进行重塑，采用协同过滤的方法，得出用户反馈信息之间的依赖信息，突出用户个性化特征。这种基于深度学习和注意力机制的推荐算法，经过实验证明，对历史交互信息的耦合关系予以论证，得出深度学习推荐方法下注意力机制的推算效果。
关键词：注意力机制;神经网络;群组推荐算法
中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2020）08-0118-03
针对循环神经网络能控循环单元进行地点推荐，考虑到数据噪声以及序列中的推荐模型，通过计算两点之间的距离间隙和时间间隙，增加时间门和空间门的权重矩阵，引入注意力集中之后，推荐地点影响控制空间信息和时间信息，计算用户偏好得到相关注意力的权重系数，以判断用户的个性化偏好，通过贝叶斯个性化群组推荐算法，构建目标函数，并学习模型参数，实践证明受到用户位置影响，贝叶斯推荐算法基于个性化进行排名，使得循环神经网络的推荐算法，在融合时间和空间的推算之后，算法精确率提高，能够使得推荐结果更加精准。
1 群组推荐系统及注意力机制概述
在面向用户的爱好收集过程中，用户偏好收集起来构成偏好集合，理解用户为何喜欢特定内容、如何精确的找到用户喜欢的项目，目前成为了一个重要的研究课题。
（1）注意力机制（Attention）已经成为深度学习必学内容之一，无论是计算机视觉还是自然语言处理都可以看到各种各样注意力机制的方法，应用建立深度学习架构，解决推荐问题，这是由于人们注意力体现在个体用户和群组成员在行为上表现出的方式是不同的，使用注意力机制来捕获群组用户影响，采用模型的的方法，对于每个用户的偏好权重得到数据，针对数据去进行实验，得到模型，能够将深度学习应用在群组题推荐问题[1]。
（2）群组推荐系统广泛应用在当前的社交网络服务、媒体、餐饮服务等。大多数推荐技术应用在个人推荐上，如于群体活动，推荐线下场景、产品服务等。经过开发和创新，在进行推荐系统的应用上使用人工智能可以加以显著推荐。例如与同事共进晚餐，举行线下周期活动为例，采用人工智能应用在社交网络服务上，针对用户群体进行偏好平衡权重的获取，向群组推荐有利的项目。群组推荐方法分为内存和基于模型等方法，将用户首选项组合成群组，概要设置偏好。合策略计算出每个成员的推荐联保，在分数据和无法满足重要的偏好时，设置单个列表组合生成建议，基于模型方法检查群组成员之间的交互，模拟推荐群组对策，在对群体复杂决策过程中，建立模型自由性能[2]。
2 神经网络推荐算法
传统的内存和基于模型的方法，中运用深度学习技术来构建模型，解决群组推荐，可以动态地进行用户权重的调研。对于用户分配不同的权重进行不同群组的行为分析，取决于用户的相关专业知识。当前的前沿方法是针对聚合群组织成员的偏好，提供策略，忽略群组中的用户交互，考虑群组项目和用户项目交互，讨论用户的偏好和意见。在实际决定中，针对团队用户采用注意力机制，假设受到不同群组中用户的变化影响，针对用户之间的交互进行建模。
注意力群体推荐模型，采用的是新颖的深度学习方法，将注意力机制技术应用在群组推荐中，采用神经网络群组推荐算法，对数据集进行广泛的实验建筑模型，开发基于AGR的推荐方法，获取参数效率高，模型构建速度快[3]。
3 基于注意力机制的神经网络贝叶斯推荐算法
对群组推荐算法中矩阵稀疏和群组偏好融合问题，提出一种基于注意力机制的神经网络贝叶斯群组推荐算法（ANBGR）。利用群组和项目的交互记录，生成群组对于正项目和负项目的偏好元组，然后将群组中的用户和项目映射到高维空间，生成用户和项目的潜在矩阵信息.注意力模型使用不同权重下用户偏好聚合和用户偏好交互的策略[4]。
（1）进行群组推荐，应用在娱乐、旅游、社交媒体等行业中，针对群体推荐的研究，已经涵盖了基于模型内存的偏好聚合方法的应用，这些方法分别偏好聚合和分数聚合的对每个用户计算项目的推荐分数，将用户的分数进行汇总，得出项目的群组推荐分数，多种方法应用中，分数聚合比偏好聚合灵活性要高，在最大化整体的群体满意度基础上得到研究社区的关注[5]。因为这个策略将个人的平均得分作为最终得分，倾向于对某些人有利的项目，而关联与分歧取决于群组大小和组内相似度，通过实践证明，对更高级的群组进行推荐。
图1为n个子群组，来自于一个给定的群组，包含用户{u1，u2，u3，……，un}，αi，j定义αi，j为用户j的子群组i（不包含用户i）的偏好程度。因为αi，j作为用户j对整个群组的重要程度，而不仅仅是对用户i 。ci：表示用户i的上下文向量，可以将以上每个Attention模型理解成群组中其他成员j分别与用户i的相似度，即（αi，j），得到的gi=∑αi，j×uj是用户i在整个群组中的投票权重。g∶g=∑gi，表示投票方案对所有用户的投票平等的进行计算。
（2）在模型的新方法应用上，类型影响群组决策，在推荐中包含项目类别，适用于预定义群组，预定义群组是持久的群组，如班级中的学生和家庭中的成员，可以采用单用户推荐技术，这些用户只参加一次性或少量的活动，在实际临时组的组建过程中，可以作为非合作博弈，使用推荐的目标进行纳什均衡。概率模型用于解决群体推荐问题经过学者的研究，已经得到了很好的应用。例如对于最具影响力的用户组的推荐，反映现实中用户喜好，对群体推荐模型加以构建。PIT理论被认为在有影响力的用户群体中，能够进行团队影响力的分析，这一模型可以与信息进行匹配，开发深层架构模型，获得群体偏好的高级综合特征，避免数据脆弱性，获得用户的信号，并向用户推荐项目，以先进的性能和高质量的推荐获得用户推荐项目的认可，深入学习能够捕获用户与项目之间的非线性和复杂的关系，从而判断用户的项目特征和需求，以及它们之间的交互，在推荐任务中将深度学习集成在推荐系统中，构建群组推荐系统，深度学习群组作品，基于用户评级，深度学习技术给出推荐结果，利用注意力机制调整，群组表示展示更多的细节，如用户内容特性、辅助信息[6]。
（3）贝叶斯个性化排名基于矩阵分解方法解决反馈推荐问题。例如用户查看一个项目，采用三元模型，假设用户喜欢这个项目，优化项目则用于验证评估，得出最优个性化排序，注意力机制将神经科学和计算神经科学进行结合，对视觉访问对象进行关注，激发深度学习中注意机制发展，成功用于各种机器学习任务，如视频、字幕、图像、机器翻译、语音识别等。
4 结语
基于注意力机制的神经网络贝叶斯群组推荐算法能够为每个用户提供主要决策模型群体，推荐方法考虑影响力权重参数，假设影响力具有不同感知，建立在注意力模型基础上进行估计跨度影响权重的调整[7]。从n个用户的这组中创建n个子组，探究每个用户对区域成员的影响，每个子网络注意力支持一个子群组。当用户选择一个项目作为团队成员时，会以不同方式调整自己的行为，一个用户倾向于调整他的喜好，以适应群组偏好，要考虑自己的兴趣，在不同群组中进行专业知识的了解，群体的偏好决定成员之间的相互作用，对成员交互的重要性加以检验，利用模型讨论用户的意见和偏好。
参考文献
[1] 李诗文，潘善亮.基于注意力机制的神经网络贝叶斯群组推荐算法[J].计算机应用与软件，2020，37（5）：287-292.
[2] 文晓棠，吳少强.混合贝叶斯个性化排序与内容的推荐算法研究[J].现代计算机，2019（30）：10-14.
[3] 田丽红.活动型社会网络的多重推荐算法研究[D].北京：北京交通大学，2018.
[4] 胡思才，孙界平，琚生根，等.基于深度神经网络和概率矩阵分解的混合推荐算法[J].四川大学学报（自然科学版），2019，56（6）：1033-1041.
[5] 高茂庭，徐彬源.基于循环神经网络的推荐算法[J].计算机工程，2019，45（8）：198-202+209.
[6] 徐敏，丁友东，陈方灵，等.基于联合神经网络的电影个性化推荐算法[J].现代电影技术，2019（11）：25-30.
[7] 廖彬，张陶，于炯，等.QPR-NN：一种结合二次多项式回归与神经网络的推荐算法[J].西安交通大学学报，2019，53（9）：79-87+136.
转载注明来源:https://www.xzbu.com/8/view-15321370.htm
