科研之友
微信
新浪微博
Facebook
分享链接
摘要
电子商务是数字经济产业中的重要应用领域。在电商平台中用户与商品的交互会话中，微观操作行为可以洞察用户细粒度的兴趣偏好。同时，宏观的多周期会话序列又可以反映用户兴趣的动态演化。因此，如何融合二者进行准确全面的用户兴趣建模，进而开展精准推荐是当前的一个热点和难点问题。深度循环神经网络RNN在处理周期性和长期依赖关系的序列数据方面具有突出的优势，是当今人工智能AI的核心方法之一。基于此，在本文构建的Mp-UIP模型框架中，首先对用户会话中的微观行为进行细粒度的行为规律与兴趣学习。其次，设计分层的RNN网络结构：会话级LSTMses、区块级LSTMblo 和用户级LSTMusr，分别学习用户短期、中期以及长期的兴趣演变，并进行多周期的兴趣融合。最后，在两个实际数据集上，本文设计了模型消融、基准模型对比、稀疏性评价以及实际案例分析四方面的实验。在考察推荐准确性和排名正确性的两个指标：Recall@K和MRR@K上，实验结果验证提出的模型Mp-UIM较现有的经典模型表现最佳。这表明提出的模型Mp-UIP将用户微观操作细节中的兴趣学习与宏观会话序列的多周期兴趣演化相融合，能够构建出更加准确全面的用户兴趣模型，服务于精准、个性化的电子商务智能推荐服务。
-
单位金融学院; 东北财经大学
