针对现有推荐模型忽略用户兴趣的动态变化,导致推荐精度较低等问题,提出一个基于用户行为的长短期序列推荐模型(long and short term sequence recommendation model based on user behavior,UBLSR)。在序列信息挖掘部分设计一种多路空...
详细信息
针对现有推荐模型忽略用户兴趣的动态变化,导致推荐精度较低等问题,提出一个基于用户行为的长短期序列推荐模型(long and short term sequence recommendation model based on user behavior,UBLSR)。在序列信息挖掘部分设计一种多路空洞卷积网络,将网络扩展成多通路结构挖掘复杂的用户行为特征;将短期时间窗口内的序列行为和目标物品进行关联,通过自注意力网络动态地对用户短期兴趣进行建模;设计一种邻居用户表示方案,借助注意力机制关注邻域内有影响力的用户子集,对用户长期兴趣进行建模;将短期兴趣建模和长期兴趣建模的结果联合进行推荐预测。UBLSR模型在Gowalla、Movielens-1M两个数据集上进行实验,其结果表明,该模型优于其它基准模型,达到较为突出的性能。
针对现有的类案检索方法缺乏对案情要素的有效利用容易被案例内容语义结构相似性所误导的问题，提出了融合时序行为链与事件类型的类案检索方法。首先，采取序列标注的方法识别出案情描述中的法律事件类型，并利用案例文本中的行为要素构建时序行为链，突出案情的关键要素，使模型聚焦于案例的核心内容，以解决现有方法易被案例的语义结构相似性所误导的问题。其次，利用分段编码构造时序行为链的相似性向量表征矩阵，增强案例间行为要素的语义交互。最后，经过聚合评分器，从时序行为链、法律事件类型、犯罪类型三个角度衡量案例的相关性，增加案例匹配得分的合理性。实验结果表明，与SAILER(Structure-Aware pre-traIned language model for LEgal case Retrieval)方法相比，该方法在LeCaRD(Legal Case Retrieval Dataset)数据集中，P@5值提升了4个百分点、P@10值提升了3个百分点、MAP值提升了4个百分点、NDCG@30值提升了0.8个百分点。该方法有效利用案情要素，避免了案例内容语义结构相似性的干扰，能为类案检索提供可靠的依据。
暂无评论