科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高推荐算法的推荐性能,在序列建模过程中,针对循环神经网络(recurrent neural network, RNN)无法并行运算导致建模速度与准确度较低,以及在偏好预测过程中对用户不同阶段偏好没有动态融合的问题,提出了一种基于混合神经网络的序列推荐算法。在算法模型的用户交互序列建模阶段,考虑到用户近期偏好变化频繁,对于时间效率与推荐准确度都有更高的要求,引入时间卷积网络(temporal convolutional network, TCN)对近期交互序列进行建模,解决了循环神经网络建模速度和准确度较低的问题;在用户偏好预测阶段,在考虑用户近期与长期偏好的基础上,基于注意力机制动态融合了用户近期与长期2个交互阶段的偏好,从而提高了推荐的性能。在公共数据集MovieLens10M与LastFM上进行了实验,结果证明了模型的有效性。
-
单位自动化学院; 昆明理工大学
