现有的侧信息集成序列推荐模型中存在对用户表示学习及优化不足的问题,针对此问题提出基于多序列交互与对比学习的侧信息集成序列推荐模型(side-information integrated sequential recommendation model based on multi-sequence inter...现有的侧信息集成序列推荐模型中存在对用户表示学习及优化不足的问题,针对此问题提出基于多序列交互与对比学习的侧信息集成序列推荐模型(side-information integrated sequential recommendation model based on multi-sequence interaction and contrastive learning,MICL)。首先,引入多序列交互注意力机制,对项目序列和侧信息序列构建序列内和序列间的深度关联,从项目和侧信息两个角度捕获用户偏好,生成两个视角的用户表示。其次,采用用户表示优化模块,结合动态难负样本采样策略构建正负样本对,利用自监督信号优化用户表示。最后,通过多任务动态权重调整策略在推荐任务与属性预测任务之间实现动态平衡优化目标,提升模型的鲁棒性和泛化能力。在Beauty、Sports、Toys和Yelp四个公共数据集上进行实验,与效果较好的基线模型相比,MICL的召回率(recall)和归一化折损率(NDCG)平均提升了1.63%和2.35%,验证了MICL对学习和优化用户表示方面的有效性。展开更多
文摘随着移动边缘计算(mobile edge computing,MEC)技术的不断演进发展,大量的用户设备分散在边缘服务器密集部署的各个区域内。然而,在任务时延与资源受限的前提下,如何选择合适的服务器进行任务卸载,仍然是一个具有挑战性的难题。研究用户-服务器关联、卸载比例以及资源分配的联合优化问题,在考虑需求和服务异构性下最小化系统能耗。该问题被建模为混合整数非线性规划问题,并分解为用户-服务器关联子问题、卸载率和资源分配子问题进行求解。对于第一个子问题,在同时考虑通信质量与服务类型条件下,利用改良的带权匈牙利算法(Kuhn-Munkres matching algorithm,K-M)实现用户-服务器关联。为了处理第二个高度非凸问题,提出一种有效的双层算法,内层采用拉格朗日对偶法得到计算与通信资源分配;外层采用一维搜索方法得到卸载比例。最后,利用块坐标下降技术交替求解两个子问题,直到收敛。仿真结果表明,与随机算法、贪婪算法和带权匈牙利匹配-本地计算(Kuhn-Munkres matching and local computing,KM-LC)算法相比,文中所提出的算法能有效降低系统能耗。
文摘针对电商用户行为预测中传统模型在实时上下文与多任务学习方面的不足,文章提出融合实时感知与多门专家混合网络(Multi-gate Mixture-of-Experts,MMoE)的优化模型。该模型通过多粒度时间窗口捕捉动态兴趣,利用多专家网络实现任务间特征共享与特异性平衡。实验显示,文章模型在点击、加购和购买任务上的曲线下面积(Area Under Curve,AUC)分别达0.847、0.815和0.789,推理延迟降至7.5 ms,性能显著优于基线方法。研究表明,该模型有效提升了预测精度与系统效能,为电商用户行为预测提供了实用解决方案。
文摘现有的侧信息集成序列推荐模型中存在对用户表示学习及优化不足的问题,针对此问题提出基于多序列交互与对比学习的侧信息集成序列推荐模型(side-information integrated sequential recommendation model based on multi-sequence interaction and contrastive learning,MICL)。首先,引入多序列交互注意力机制,对项目序列和侧信息序列构建序列内和序列间的深度关联,从项目和侧信息两个角度捕获用户偏好,生成两个视角的用户表示。其次,采用用户表示优化模块,结合动态难负样本采样策略构建正负样本对,利用自监督信号优化用户表示。最后,通过多任务动态权重调整策略在推荐任务与属性预测任务之间实现动态平衡优化目标,提升模型的鲁棒性和泛化能力。在Beauty、Sports、Toys和Yelp四个公共数据集上进行实验,与效果较好的基线模型相比,MICL的召回率(recall)和归一化折损率(NDCG)平均提升了1.63%和2.35%,验证了MICL对学习和优化用户表示方面的有效性。
