图片来源：《社会计算学报》，清华大学出版社
描述长期和短期用户组输入的流程图，以表示用户影响未来预测建议的个人偏好。
当涉及神经网络机制时，信息共享可以导致更好，更准确的预测，并且通过使用志同道合的人之间的共享信息，可以比当前的传统方法改进下一项推荐技术。
预测技术可能看起来像魔术，但实际上，它由经过深思熟虑构建的模型组成，这些模型需要不断改进，以满足用户偏好和要求的不断变化的需求。对改进基于会话的推荐系统（SBRS）感兴趣的研究人员希望做出更准确的预测，不仅基于用户的兴趣，而且基于志同道合的用户的关系，将相似的兴趣组合在一起。
该模型考虑了长期和短期会话和兴趣，以创建一个直观、准确的预测模型，该模型的性能优于传统的现有模型，此外还可以根据目标用户不断变化的兴趣和需求预测自动开发新组的需求。
研究人员在《社会计算杂志》上发表了他们的研究结果。
开发的模型基于长期和短期用户组（LSUG），可以很好地了解用户的偏好以及哪些未来项目最有可能引起兴趣。
两种不同建模分组影响方法的示例：我们的动态分组机制和传统的静态分组机制。中心用户属于由橙色和绿色框表示的两个潜在组。在传统的静态分组机制中，组对用户的影响是平等的，因此应该推荐用橙色长方体和绿色圆柱体表示的访问项目，没有区别。在我们的动态分组机制中，这两个组的处理方式不同，因为中心用户已将其组从绿色切换到橙色组。最新的群体可能对他产生更大的影响，因此橙色长方体代表的项目更符合他的口味。学分：社会计算杂志（2023 年）。DOI： 10.23919/JSC.2023.0013
“在所有这些方法中，用户表示都是根据他们的会话独立总结的，导致学习的模型是在每个用户的基础上构建的。用户模型之间没有明确的信息共享，“该研究的研究员兼作者Nengjun Zhu说。在表现出相似兴趣的用户之间增加信息共享，可以创建更广泛的信息池，因此可以开发更准确的预测下项推荐模型。
“基于会话的推荐系统越来越多地应用于下一个项目推荐。但是，现有的方法独立地对每个用户的会话信息进行编码，并且不考虑用户之间的相互关系。这项工作是基于这样一种直觉，即随着时间的推移，志同道合的用户的动态群体存在，“朱说。
利用具有相似兴趣的用户之间的关系，可以将目标用户分配到具有高概率重叠或共同兴趣的组。然后对这些组的表示进行加权，以估计预测项目是用户访问的下一个事物的概率。
研究人员旨在解决的传统方法的一个缺点是人们兴趣的演变和新群体发展的可能性。在其他模型中，这需要手动完成，这需要额外的时间和资源。相反，研究小组选择将自适应学习单元集成到模型中，以自动确定是否需要建立一个新的小组，如果是，则创建该新组并了解该新组的兴趣。
这种自适应学习动态的添加进一步确定了更高的概率，即在考虑某些指标时，下一项预测将是有用的，并且对目标用户感兴趣。然而，发现有一点是，当使用曲线下面积（AUC）指标对项目进行排名时，自适应学习单元并不那么有效，而不是仅仅使用贝叶斯个性化排名（BPR）方法中的积极示例。
虽然自适应学习动态通过创建新组来增加功能和灵活性，但它无法删除或减少不再相关的组;这是研究人员希望在未来努力的一个领域，以使用户群体更加精简并适用于用户的兴趣演变。同样，研究人员还希望利用对比学习来开发用户组之间的明确差异，以保持表示符合用户的兴趣。
原文标题：Whats next? Adaptive user group modeling can give you the answer
原文链接：
http://techxplore.com/news/2023-09-user-group.html作者：Tsinghua University Press
编译：LCR
微信客服
