意图感知的上下文推荐系统

推荐系统接收用户历史作为输入，使用内部排序算法生成结果，并可能基于反馈优化该排序。然而，推荐系统往往不知晓用户的真实意图，仅动态地提供推荐而未恰当理解用户的思考过程。智能推荐系统不仅对用户有用，也对希望了解用户倾向的企业有益。发现用户的倾向或意图是一个难题。鉴于此，我们试图创建一个智能系统，跟踪用户在 Web 应用上的活动，并确定用户在每次会话中的意图。我们设计了一种对会话中用户活动进行编码的方法。随后，我们将用户所看信息表示为高维格式，并使用张量分解技术降维。意图感知（或打分）方面在此阶段处理。最后，将用户活动数据与上下文信息结合给出推荐分数。最终推荐再通过过滤与协同推荐技术排序，向用户展示 top-k 推荐。当前系统还设想了反馈机制，以告知模型更新推荐系统中的各种权重。我们的整体模型旨在结合基于频率与基于上下文的推荐系统，并量化用户意图以提供更好的推荐。我们在真实世界带时间戳的用户活动数据上进行了实验，场景为向某业务分析工具的用户推荐报告，结果优于基线。我们还调优了模型的某些方面以获得优化结果。