-
题名多任务推荐算法研究综述
被引量：4
- 1
-
-
作者
温民伟
梅红岩
袁凤源
张晓宇
张兴
-
机构
辽宁工业大学电子与信息工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2024年第2期363-377,共15页
-
基金
国家自然科学基金面上项目(62273170)
辽宁省教育厅面上项目(JYTMS20230869)
辽宁省教育厅科学研究项目(JZL202015404,LJKZ0625)。
-
文摘
单任务推荐算法存在数据稀疏、冷启动和推荐效果不稳定等问题。多任务推荐算法可以将多种类型的用户行为数据和额外信息进行联合建模,从而更好地挖掘用户的兴趣和需求,以提高推荐效果和用户满意度,为解决单任务推荐算法存在的一系列问题提供了新思路。首先,梳理了多任务推荐算法的发展背景与趋势。其次,介绍了多任务推荐算法的实现步骤以及构建原则,并阐述了多任务学习具有数据增强、特征识别、特征互补和正则化效应等优势。然后,对不同共享模式的多任务学习方法在推荐算法中的应用进行了介绍,并对部分经典模型的优缺点及任务之间的关系进行了归纳总结。接着,介绍了多任务推荐算法常用的数据集和评估指标,并阐述了与其他推荐算法在数据集合评估指标方面的区别和联系。最后,指出多任务学习存在负迁移、参数优化冲突、可解释性差等不足,对多任务推荐算法与强化学习、凸函数优化方法、异构信息网络相结合进行了展望。
-
关键词
推荐系统
多任务学习
多任务推荐
-
Keywords
recommendation system
multi-task learning
multi-task recommendation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度多任务学习的社交图像标签和分组联合推荐
被引量：3
- 2
-
-
作者
耿蕾蕾
崔超然
石成
申朕
尹义龙
冯仕红
-
机构
山东财经大学计算机科学与技术学院
山东大学计算机科学与技术学院
山东大学软件学院
-
出处
《计算机科学》
CSCD
北大核心
2020年第12期177-182,共6页
-
基金
国家自然科学基金(61701281,61876098,61573219)
国家重点研发计划课题(2018YFC0830100,2018YFC0830102)
+2 种基金
山东省高等学校科技计划项目(KJ2018BAN047)
山东省高等学校“青创科技计划”立项支持(2019KJN045)
山东省高等学校优势学科人才团队培育计划。
-
文摘
随着在线社交的多媒体共享网站的蓬勃发展,社交图像推荐逐渐成为研究热点。人们通常对社交图像进行标签化、分组化,使得图像数据更加易于管理。传统的图像标签或分组推荐方法往往只关注特定任务,忽略了标签推荐和分组推荐任务之间的隐含关系。多任务学习则可以充分挖掘不同任务对图像的共享或相互关联的隐含表示,融合多种任务抽取图像特征,对于提高单一任务的准确性具有积极意义。因此,文中提出了一种基于深度多任务学习的社交图像标签和分组联合推荐模型。该方法使用基于比较的偏序学习深度网络分别进行标签推荐和分组推荐,有效缓解了单任务中的数据稀疏性问题。此外,在处理社交图像视觉特征的卷积神经网络中,首先使用多任务学习将来自不同任务的中间层特征进行连接,然后通过卷积实现降维和特征的自动融合,使得不同任务的图像特征得到共享,同时降维后的融合特征能够满足下一层卷积神经网络的尺寸要求,使得单一任务的整体结构得以保持。从大量Flickr图片共享网站上爬取的真实数据集上的实验结果表明,与现有经典推荐算法相比,所提算法获得的准确率和召回率均有较大提升,证明了该方法的有效性和可行性。
-
关键词
多任务学习
分组推荐
标签推荐
偏序学习
特征融合
联合推荐
-
Keywords
multi-task learning
Group recommendation
Tag recommendation
Partial order learning
Feature fusion
Joint recommendation
-
分类号
TP391.3
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多任务自编码器的MOOC课程推荐模型
被引量：1
- 3
-
-
作者
董永峰
王巍然
董瑶
史进
王雅琮
-
机构
河北工业大学人工智能与数据科学学院
国家开放大学数字化学习技术集成与应用教育部工程研究中心
河北工业大学河北省大数据计算重点实验室
-
出处
《计算机工程与设计》
北大核心
2023年第10期3117-3123,共7页
-
基金
河北省高等学校科学技术研究基金项目(QN2021213)
数字化学习技术集成与应用教育部工程研究中心创新基金项目(1221006)。
-
文摘
为解决在线学习当中,学习者行为的数量远少于在线课程的样本总数所产生的数据稀疏问题,提出一种基于多任务自编码器的课程推荐模型(multi-task autoencoder course recommendation model,MAEM)。通过分析学习者的学习行为,将总体任务分为两个子任务:任务一是学习者浏览课程章节列表行为,任务二是完成课程50%的学习行为,通过共享网络底部的隐藏层提高泛化能力。模型总体划分为共享嵌入、自编码器与分解预测、任务组合3个模块,3个模块协同工作,旨在突破训练数据稀疏问题。将MAEM与7种常用的推荐算法比较,实验结果表明,MAEM算法优于7种热门的推荐算法,验证了其在课程推荐中的有效性。
-
关键词
多任务学习
自编码器
课程推荐
数据稀疏性
行为分解
特征提取
在线学习
-
Keywords
multi-task learning
autoencoder
course recommendation
data sparsity
behavior decomposition
feature extraction
online learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名双感知门控交互的多任务推荐模型
- 4
-
-
作者
林建
吴云
陈育康
-
机构
贵州大学计算机科学与技术学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2023年第6期1417-1426,共10页
-
基金
国家自然科学基金(61662009)。
-
文摘
针对多任务推荐中存在负迁移的问题,提出一种双感知门控交互的多任务推荐模型(DPGI-MTRM)。首先,在多任务共享网络和专有网络中,创新性地设计了双感知特征提取模块(称为双感知专家层),其作用是对输入特征得到元素级和向量级的双感知特征表示。其次,在门控网络的基础上提出了任务交互层,对经过门控网络输出的特征进行交互计算提取任务之间的高级语义相关性,同时采用残差方式加上原始输入门控的特征向量减少任务交互可能带来的噪音干扰。最后,通过堆叠双感知专家层、门控交互层,连接特定任务的神经网络输出层得到双感知门控交互的多任务推荐模型。此外,在模型训练时使用了梯度归一化的多目标优化方法,使该模型更好地收敛。在Census-income、Synthetic Data和Ali-CCP数据集上进行实验,采用AUC和MSE指标进行评估,实验结果表明,提出的模型表现优于其他基准模型,达到较为先进的性能。
-
关键词
多任务
双感知专家层
门控交互层
推荐模型
-
Keywords
multi-task
dual perception expert layer
gated interaction layer
recommendation model
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于两阶段决策过程的多任务学习推荐系统
- 5
-
-
作者
董旭
李鹏飞
仲兆满
李存华
-
机构
中国矿业大学计算机科学与技术学院
淮海工学院计算机工程学院
江苏金鸽网络科技有限公司软件研发中心
-
出处
《计算机工程与设计》
北大核心
2019年第12期3608-3612,共5页
-
文摘
为提高推荐系统的性能,将评分预测任务和排序任务在共享用户和item表示的基础上集成在一个多任务学习框架中,在训练过程中同时优化两个任务的参数集。为进一步提高泛化效果,将用户的决策过程分为两个阶段,即用户选择一个item进行交互(排序任务),再对其评分(评分预测任务)。在此基础上,提出一个可融合不同底层算法的通用多任务框架,在两个数据集上通过实验对其进行评估,实验结果表明,其优于现有的最先进的方法。
-
关键词
多任务学习
推荐系统
两阶段决策过程
排序和评分
共享表示
-
Keywords
multi-task learning
recommendation system
two-phase decision
rank and rate
share representation
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名融合空间聚类信息和上下文感知的下一位置点推荐
- 6
-
-
作者
李慧峰
王斌
翟希
朱苏磊
张倩
-
机构
上海师范大学信息与机电工程学院
上海市城乡建设和交通发展研究院
-
出处
《传感器与微系统》
CSCD
北大核心
2023年第7期161-164,共4页
-
文摘
针对现有的人类轨迹预测算法难以充分挖掘轨迹移动规律,以及未能充分利用城市空间区域信息等问题,提出一种新颖的融合城市空间聚类信息和上下文感知的下一位置推荐算法。首先,基于城市地理信息利用HiSpatialCluster空间聚类算法将整个城市分为多个地理区域,同时提出了一种新的轨迹嵌入方法,以获得轨迹点的特征表示;然后,通过自注意力网络(SAN)分别学习用户的长期偏好和短期偏好特征,并通过注意力网络捕获长短期偏好的关系,获得代表用户上下文信息的特征向量;最后,通过引入多任务组件增强框架的通用性。在真实数据集NYC和TKY上设置对比实验,通过与同类先进算法的对比,验证算法的有效性。实验结果表明:所提算法在召回率(Recall@K)和归一化折损累计增益(NDCG@K)上有显著提高。
-
关键词
空间聚类
自注意力网络
多任务学习
位置推荐
-
Keywords
spatial clustering
selfattention network(SAN)
multitask learning
location recommendation
-
分类号
TP274
[自动化与计算机技术—检测技术与自动化装置]
-
