Towards effective recommendation: Neural networks and adaptive learning
Chen Ma · eScholarship@McGill (McGill) · 2021
Avec le développement des services Internet, les internautes peuvent facilement accéder à un grand nombre de produits et d'applications en ligne. Bien que cette croissance offre aux utilisateurs un plus grand nombre de choix disponibles, il est également difficile pour eux de choisir un article préféré parmi une multitude de candidats. Afin de réduire la surcharge d'informations et de satisfaire les divers besoins des utilisateurs, les systèmes de recommandation personnalisés voient le jour et jouent un rôle de plus en plus important dans la société moderne. En particulier, ces systèmes peuvent fournir des expériences personnalisées, répondre à d'énormes demandes de services et apporter des avantages directs à la fois aux utilisateurs et aux fournisseurs de services de recommandation.Cependant, les modèles de recommandation sont toujours confrontés à plusieurs défis qui les empêchent de fournir des services satisfaisants. Plus précisément, ces défis comprennent la difficulté de modéliser les interactions entre l'utilisateur et l'article à partir de données éparses, la difficulté d'incorporer des informations auxiliaires provenant d'autres sources d'information, la complexité de capturer l'intérêt à court terme de l'utilisateur à partir de la dynamique séquentielle de l'article et la difficulté d'effectuer l'apprentissage adaptatif des hyperparamètres en fonction des différents utilisateurs ou articles.Dans cette thèse, nous proposons des modèles spécifiques pour relever les défis susmentionnés. Premièrement, pour modéliser les interactions complexes entre les utilisateurs et les points d'intérêt (POI) dans les systèmes de recommandation basés sur la localisation, un nouveau modèle basé sur un encodeur automatique est proposé pour apprendre les relations non linéaires entre utilisateur-POI, qui consiste en un encodeur auto-attentif et un décodeur sensible au voisinage. Le codeur auto-attentif distingue de manière adaptative les préférences des utilisateurs sur les POI enregistrés ; le décodeur tenant compte des voisins incorpore l'influence géographique des POI pour rendre l'accessibilité de l'utilisateur plus élevée sur les voisins non visités des POI enregistrés. Deuxièmement, pour incorporer efficacement les informations auxiliaires du contenu de la description de l'article, nous proposons un auto-codeur à déclenchement avec le mécanisme d'attention aux mots et aux voisins. Le modèle apprend les représentations cachées des articles à partir des évaluations et du contenu d'une manière déclenchée. De plus, le modèle capture également les mots informatifs des articles et les voisins représentatifs par des modules d'attention aux mots et aux voisins, respectivement. Troisièmement, pour modéliser la transition des préférences de l'utilisateur avec la dynamique temporelle, un réseau de déclenchement hiérarchique avec un module de produit article-article est proposé pour la tâche de recommandation séquentielle. Le modèle adopte un module de déclenchement de caractéristiques et un module de déclenchement d'instances pour contrôler les caractéristiques des articles qui peuvent être transmises aux couches en aval, où les caractéristiques latentes informatives et les articles représentatifs peuvent être identifiés. Quatrièmement, pour effectuer l'apprentissage adaptatif des hyperparamètres, un schéma de génération de marge adaptative est proposé pour générer les marges concernant différents triplets d'entraînement dans la fonction de perte de classement de marge, où un cadre d'optimisation à deux niveaux est adopté pour mettre à jour alternativement les paramètres du modèle ainsi que les valeurs de marge.Pour démontrer l'efficacité des modèles susmentionnés, nous avons utilisé un certain nombre d'ensembles de données et de points de référence accessibles au public, avec de nombreuses méthodes de pointe pour valider la performance des modèles proposés