• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

基于列表级排序的深度生成推荐方法

孙肖依, 刘华锋, 景丽萍, 于剑

孙肖依, 刘华锋, 景丽萍, 于剑. 基于列表级排序的深度生成推荐方法[J]. 计算机研究与发展, 2020, 57(8): 1697-1706. DOI: 10.7544/issn1000-1239.2020.20200497
引用本文: 孙肖依, 刘华锋, 景丽萍, 于剑. 基于列表级排序的深度生成推荐方法[J]. 计算机研究与发展, 2020, 57(8): 1697-1706. DOI: 10.7544/issn1000-1239.2020.20200497
shu
Sun Xiaoyi, Liu Huafeng, Jing Liping, Yu Jian. Deep Generative Recommendation Based on List-Wise Ranking[J]. Journal of Computer Research and Development, 2020, 57(8): 1697-1706. DOI: 10.7544/issn1000-1239.2020.20200497
Citation: Sun Xiaoyi, Liu Huafeng, Jing Liping, Yu Jian. Deep Generative Recommendation Based on List-Wise Ranking[J]. Journal of Computer Research and Development, 2020, 57(8): 1697-1706. DOI: 10.7544/issn1000-1239.2020.20200497
shu
孙肖依, 刘华锋, 景丽萍, 于剑. 基于列表级排序的深度生成推荐方法[J]. 计算机研究与发展, 2020, 57(8): 1697-1706. CSTR: 32373.14.issn1000-1239.2020.20200497
引用本文: 孙肖依, 刘华锋, 景丽萍, 于剑. 基于列表级排序的深度生成推荐方法[J]. 计算机研究与发展, 2020, 57(8): 1697-1706. CSTR: 32373.14.issn1000-1239.2020.20200497
shu
Sun Xiaoyi, Liu Huafeng, Jing Liping, Yu Jian. Deep Generative Recommendation Based on List-Wise Ranking[J]. Journal of Computer Research and Development, 2020, 57(8): 1697-1706. CSTR: 32373.14.issn1000-1239.2020.20200497
Citation: Sun Xiaoyi, Liu Huafeng, Jing Liping, Yu Jian. Deep Generative Recommendation Based on List-Wise Ranking[J]. Journal of Computer Research and Development, 2020, 57(8): 1697-1706. CSTR: 32373.14.issn1000-1239.2020.20200497
shu

基于列表级排序的深度生成推荐方法

  • (交通数据分析与挖掘北京市重点实验室(北京交通大学) 北京 100044) (北京交通大学计算机与信息技术学院 北京 100044) (sunxiaoyi@bjtu.edu.cn)

基金项目: 国家自然科学基金项目(61822601，61773050，61632004)；北京市自然科学基金项目(Z180006)；北京市科委项目(Z181100008918012)；国家重点研发计划项目(2017YFC1703506)；中央高校基本科研业务费专项资金(2019JBZ110)
详细信息

  • 中图分类号: TP181

Deep Generative Recommendation Based on List-Wise Ranking

  • (Beijing Key Laboratory of Traffic Data Analysis and Mining (Beijing Jiaotong University), Beijing 100044) (School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044)

Funds: This work was supported by the National Natural Science Foundation of China (61822601, 61773050, 61632004), the Beijing Natural Science Foundation (Z180006), the Program of Beijing Municipal Science & Technology Commission (Z181100008918012), the National Key Research and Development Program of China (2017YFC1703506), and the Fundamental Research Funds for the Central Universities (2019JBZ110).

摘要

    摘要
  • 摘要: 变分自编码器(variational autoencoder, VAE)近年来在推荐领域有着很成功的应用.这种非线性概率模型的优势在于它可以突破线性模型有限的建模能力，而线性模型目前仍然在协同过滤研究中占主导地位.尽管基于变分自编码器的推荐方法已经取得了优越的表现，但仍存在一些未解决的问题，例如无法针对隐式反馈的推荐数据为用户生成个性化的推荐排序列表.因此，通过借助多项式似然对变分自编码器实施基于列表的排序策略，提出了一种深度生成推荐模型.该模型具有同时生成点级隐式反馈数据并为每个用户创建列表式偏好排序的能力.为了将排序损失与变分自编码器损失结合起来，采取归一化累计损失增益(normalized cumulative loss gain, NDCG)作为排名损失，并通过平滑函数进行近似.在3个真实世界数据集上(MovieLens-100k,XuetangX和Jester)进行了实验.实验结果表明：结合了列表级排序的变分自编码器在推荐个性化列表所有评价指标上,相比于其他基线模型拥有更出色的表现.
    Abstract: Variational autoencoders have been successfully applied in recommendation field in recent years. The advantage of this kind of nonlinear probabilistic model is that it can break through the limited modeling ability of linear model, which is still dominant in collaborative filtering research. Although the recommendation method based on variational autoencoder has achieved excellent performance, there are still some unresolved problems, such as the inability to generate personalized recommendation ranking lists for users based on the recommendation data of implicit feedback. Therefore, in this paper, we propose a depth generation recommendation model for variational autoencoder by using polynomial likelihood to implement list-based ranking strategies. The model has the ability to simultaneously generate point-wise implicit feedback data and create a list-like ranking list for each user. To seamlessly combine ranking loss with variational autoencoder loss, the normalized cumulative loss gain (NDCG) is adopted here and approximated with a smoothed function. A series of experiments on three real-world datasets (MovieLens-100k, XuetangX and Jester) have been conducted. Experimental results show that the variational autoencoder combined with list-wise ranking method has better performance in generate a personalized recommendation list.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(47)

  • 期刊类型引用(18)

    1. 苏小红，郑伟宁，蒋远，魏宏巍，万佳元，魏子越. 基于学习的源代码漏洞检测研究与进展. 计算机学报. 2024(02): 337-374 . 百度学术
    2. 刘忠鑫，唐郅杰，夏鑫，李善平. 代码变更表示学习及其应用研究进展. 软件学报. 2023(12): 5501-5526 . 百度学术
    3. 奚建飞，王志英，邹文景，甘莹. 基于深度学习的非结构化表格文档数据抽取方法. 微型电脑应用. 2022(02): 102-105 . 百度学术
    4. 钱忠胜，宋佳，俞情媛，成轶伟，孙志旺. 利用函数影响力的相似程序间测试用例重用与生成. 电子学报. 2022(07): 1696-1707 . 百度学术
    5. 张祥平，刘建勋. 基于深度学习的代码表征及其应用综述. 计算机科学与探索. 2022(09): 2011-2029 . 百度学术
    6. 魏敏，张丽萍，闫盛. 基于程序向量树和聚类的学生程序算法识别方法. 计算机工程与设计. 2022(10): 2790-2798 . 百度学术
    7. 汶东震，张帆，刘海峰，杨亮，徐博，林原，林鸿飞. 深度程序理解视角下代码搜索研究综述. 计算机工程与应用. 2022(20): 63-72 . 百度学术
    8. 王一凡，赵逢禹，艾均. 面向基本路径学习的代码自动命名. 小型微型计算机系统. 2022(11): 2302-2307 . 百度学术
    9. 杨静宜，崔建弘，庞雅静. 基于特征深度学习的机器人协调操作感知控制. 计算机仿真. 2021(01): 307-311 . 百度学术
    10. 赵乐乐，张丽萍. 代码注释自动生成研究进展. 计算机应用研究. 2021(04): 982-989 . 百度学术
    11. 陈翔，杨光，崔展齐，孟国柱，王赞. 代码注释自动生成方法综述. 软件学报. 2021(07): 2118-2141 . 百度学术
    12. 谢春丽，梁瑶，王霞. 深度学习在代码表征中的应用综述. 计算机工程与应用. 2021(20): 53-63 . 百度学术
    13. 魏敏，张丽萍. 代码搜索方法研究进展. 计算机应用研究. 2021(11): 3215-3221+3230 . 百度学术
    14. 李眩，吴晓兵，童百利. 基于动态模糊聚类的数据挖掘研究——以安徽城市综合实力分析为例. 贵阳学院学报(自然科学版). 2020(01): 52-57 . 百度学术
    15. 池昊宇，陈长波. 基于神经网络的循环分块大小预测. 计算机科学. 2020(08): 62-70 . 百度学术
    16. 景艳娥. 基于深度学习技术的语法纠错算法模型构建分析. 信息技术. 2020(09): 143-147+152 . 百度学术
    17. 霍丽春，张丽萍. 代码注释演化及分类研究综述. 内蒙古师范大学学报(自然科学汉文版). 2020(05): 423-432 . 百度学术
    18. 何后裕，王炳鑫. 基于深度学习的综合性共享数据匹配算法研究. 电子设计工程. 2020(20): 111-115 . 百度学术

    其他类型引用(29)

    • 资源附件(0)
计量
  • 文章访问数:  922
  • HTML全文浏览量:  2
  • PDF下载量:  423
  • 被引次数: 47
出版历程
  • 发布日期:  2020-07-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(47)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计