T3CRec: A Contextual Awareness Transformer-Based Recommendation System

NCU Institutional Repository > 管理學院 > 資訊管理研究所 > 博碩士論文 > Item 987654321/93230

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/93230

题名:	T3CRec: A Contextual Awareness Transformer-Based Recommendation System
作者:	鍾昌桓;Zhong, Chang-Huan
贡献者:	資訊管理學系
关键词:	推薦系統;變壓器;深度學習;Recommendation System;Transformer;Deep Learning
日期:	2023-07-20
上传时间:	2024-09-19 16:49:52 (UTC+8)
出版者:	國立中央大學
摘要:	隨著電子商務蓬勃興起，網路上的項目種類亦持續增加，使用者搜尋符合需求和偏好的項目時，經常需投入大量時間與精力。在這種情況下，推薦系統能藉由提供專屬且量身訂作的推薦，以實現商業目標，顯示出其不可或缺的重要性。因此，我們在本研究中介紹一種創新的推薦模型，名為 T3CRec，以解決現有方法常常無法有效捕捉到用戶與項目互動的更全面的上下文與特性。透過將項目類別、用戶特性及項目流行度等三種上下文因素融合至基於變壓器的架構中，T3CRec 能提供更具多樣性和個人化的推薦。我們將項目類別整合到項目的表徵中，並利用矩陣分解的方法，將用戶與項目的互動資訊映射到低維空間以進行資料增強。此外，我們引進了一種新穎的計算項目流行度的方式，考量用戶與項目之間的平均互動間隔的項目熱門度。通過在真實數據集上進行的廣泛實驗，我們證明了我們的模型在所有評價指標上優於現有的最先進的推薦模型，並平均提升 2.63% 推薦性能。;As e-commerce thrives, the variety of online items continues to surge, with users often requiring users to invest significant time and energy in searching for items that meet their needs and preferences. In this scenario, the indispensable role of recommendation systems becomes evident, as they can deliver tailored recommendations to achieve business goals. Therefore, in this paper, we introduce an innovative recommendation model named T3CRec, designed to overcome the common inability of existing methods to effectively capture a more comprehensive context and characteristics of user-item interactions. By incorporating three contextual factors - item category, user characteristics, and item popularity - into a transformer-based framework, T3CRec can provide more diverse and personalized recommendations. We integrate item categories into item representations and use matrix factorization to map user-item interaction information into a low-dimensional space for data augmentation. Furthermore, we propose a novel way to compute item popularity, considering the average interaction interval between users and items. Through extensive experiments on real-world datasets, we demonstrated that our model outperforms the existing state-of-the-art recommendation models across all evaluation metrics, achieving an average improvement of 2.63% in recommendation performance.
显示于类别:	[資訊管理研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	48	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....