APP下载

基于图神经网络的视频推荐系统

2021-11-28高宸李勇金德鹏

中兴通讯技术 2021年1期
关键词:深度学习

高宸 李勇 金德鹏

摘要:提出了一种基于图神经网络的视频推荐模型,将用户的视频观看序列型行为建模为图结构,用结点代表用户与视频,用边代表行为,引入两种类型的向量传播方法分别对用户的长期兴趣与短时兴趣进行建模。其中,通过用户结点与视频结点的双向传播刻画长期兴趣,借助视频结点切换关系的单向传播刻画短时兴趣,并通过多层向量传播实现对图上高阶邻接信息的捕捉。在一个真实世界的视频网站观看数据集上的实验表明,提出的方法与现有最佳方法相比,其推荐精准度得到了有效提升。进一步的实验表明,该方法能够有效缓解数据稀疏性的问题。

关键词:视频推荐系统;用户兴趣建模;图神经网络;深度学习

Abstract: A novel recommendation model with graph neural networks is proposed. Userssequential video-watching behaviors are first constructed as a graph, which represents users and videos as nodes, and behaviors as edges. Then two kinds of embedding propagation methods are introduced for capturing userslong-term and short-term preferences, respectively. Specifically, a user-item bi-directional embedding propagation layer is used for capturing long-term preferences while an item-item embedding propagation layer for capturing short-term preferences. Moreover, the multi-layer propagation is proposed to extract high-order connectivity. Experiments on a real-world video-watching dataset verify that the proposed method can outperform the state-of-the-art methods. Further experiments demonstrate that the proposed method can effectively alleviate the data sparsity issue.

Keywords: video recommender system; user preference modeling; graph neural network; deep learning

在信息超载时代,个性化推荐系统[1-2]成为用户获取信息的主要方式。推荐系统通过收集用户的历史行为来推断用户兴趣,进而生成推荐列表。与常见的电商网站推荐系统[3]不同,视频网站上的用户行为具有两个重要特性。首先,用户的视频观看行为呈现出高度的序列性。一段时间内浏览的视频表现出极高的相关性,且浏览的前后顺序十分重要,因此需要对用户行为进行序列化建模。其次,用户可能存在短期观看某一类/系列多个视频的“短时”兴趣,呈现出突发、多样的特点。因此,我们需要从长期兴趣与短时兴趣两方面对用户的兴趣进行细粒度化的建模。

针对序列化行为的推荐问题,现有的方法[4-6]仍然存在两部分缺陷。……

登录APP查看全文

猜你喜欢

深度学习
从合坐走向合学:浅议新学习模式的构建
面向大数据远程开放实验平台构建研究
基于自动智能分类器的图书馆乱架图书检测
搭建深度学习的三级阶梯
有体验的学习才是有意义的学习
电子商务中基于深度学习的虚假交易识别研究
利用网络技术促进学生深度学习的几大策略
MOOC与翻转课堂融合的深度学习场域建构
大数据技术在反恐怖主义中的应用展望
深度学习算法应用于岩石图像处理的可行性研究