当涉及神经网络机制时，信息共享可以带来更好、更准确的预测，并且通过使用志同道合的人群之间的共享信息，可以比当前的传统方法改进下一项推荐技术。

(资料图片)

预测技术可能看起来很神奇，但实际上，它由精心构建的模型组成，这些模型需要不断改进，以满足用户不断变化的偏好和要求。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不仅基于用户的兴趣，而且基于志同道合的用户的关系来做出更准确的预测，以将相似的兴趣分组在一起。

该模型考虑了长期和短期会话和兴趣，创建了一个直观、准确的预测模型，除了根据目标不断变化的兴趣和需求自动预测开发新群体的需要之外，该模型优于传统的现有模型用户。

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未来哪些项目最有可能感兴趣。

“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，导致学习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，”研究员兼作者朱能军说研究的。具有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库以供学习，因此可以开发更准确的预测下一项推荐模型。

“基于会话的推荐系统越来越多地应用于下一项推荐。然而，现有的方法独立地对每个用户的会话信息进行编码，并且没有考虑用户之间的相互关系。这项工作基于这样的直觉：志趣相投的动态群体用户随着时间的推移而存在，”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享兴趣的组。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项目的概率。

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，这会花费额外的时间和资源。相反，研究团队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创建一个新小组，如果需要，则创建该新小组并了解该新小组将包含哪些兴趣。

在考虑某些指标时，这种自适应学习动态的添加进一步建立了更高水平的概率，即下一项预测对目标用户有用且感兴趣。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，自适应学习单元并不那么有效，而不是仅使用贝叶斯个性化排名中的正面示例(BPR)方法。

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;这是研究人员未来希望研究的一个领域，以便使用户群体更加精简并适用于用户兴趣的演变。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，以保持表征符合用户的兴趣。

关键词：