飞鱼博客 
当涉及到神经网络机制时，信息共享可以带来更好、更准确的预测，并且通过在志同道合的人群中使用共享信息，下一项推荐技术可以比目前的传统方法得到改进。
预测技术可能看起来很神奇，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，以跟上用户偏好和需求不断变化的需求。对改进基于会话的推荐系统(sbrs)感兴趣的研究人员正在寻求更准确的预测，不仅基于用户的兴趣，而且基于志同道合的用户之间的关系，将相似的兴趣组合在一起。
该模型考虑了长期和短期的会话和兴趣，除了根据目标用户不断变化的兴趣和需求自动预测开发新群体的需求之外，还创建了一个直观、准确的预测模型，优于传统的现有模型。
研究人员在《社会计算杂志》上发表了他们的研究结果。
开发的模型是ba基于长期和短期用户群体(lsug)，这可以让我们很好地了解用户的偏好，以及未来哪些物品最有可能引起他们的兴趣。
“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，从而导致学习模型以每个用户为基础构建。用户模型之间没有明确的信息共享，”该研究的作者兼研究员朱能军说。在显示出有相似兴趣的用户之间添加信息共享，可以创建更广泛的信息池来学习，因此可以开发出更准确的预测性下一项推荐模型。
“基于会话的推荐系统越来越多地应用于下一个项目的推荐。然而，现有的方法对每个用户的会话信息进行独立编码，没有考虑用户之间的相互关系。这项工作是基于一种直觉，即志同道合的动态用户群体会随着时间的推移而存在。”
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享兴趣的组中。然后对这些组的表示进行加权，以估计预测的项目是用户下一个访问的项目的概率。
研究人员试图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，这将花费额外的时间和资源。相反，研究小组选择将一个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组，如果需要，就创建这个新组，并了解组成这个新组的兴趣。
这种自适应学习动态的添加进一步建立了更高的概率，即在考虑某些指标时，下一个项目预测将是有用的，并且对目标用户感兴趣。然而，我们发现，当使用曲线下面积(AUC)指标对所有项目进行排名时，与仅使用贝叶斯个性化排名(BPR)方法中的正例相比，自适应学习单元的效果并不好。
虽然自适应动态学习通过创建新组来增加功能和灵活性，但它没有删除或减少不再相关的组的能力;这是研究人员希望在未来工作的领域，以保持用户组更加精简，并适用于用户兴趣的演变。沿着同样的思路，研究人员还希望利用对比学习来开发用户群体之间的明确差异，以保持对用户兴趣的真实表达。
更多资料:朱能军等，通过自适应用户组建模增强下一项推荐，社会计算学报(2023)。引用本文:What's next?自适应用户组建模可以为您提供答案(2023,September 7)，检索自https://techxplore.com/news/2023-09-user-group.html。本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
