科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着信息技术的发展,推荐系统作为信息过载时代的重要工具,正扮演着越来越重要的角色.基于内容和协同过滤的传统推荐系统,倾向于以静态方式对用户与商品交互进行建模,以获取用户过去的长期偏好.考虑到用户的偏好往往是动态的,且具有非持续性和行为依赖性,序列化推荐方法将用户与商品的交互历史建模为有序序列,能有效捕获商品的依赖关系和用户的短期偏好.然而多数序列化推荐模型过于强调用户-商品交互的行为顺序,忽视了交互序列中的时间信息,即隐式假设了序列中相邻商品具有相同的时间间隔,在捕捉包含时间动态的用户偏好上具有局限性.针对以上问题,文中提出基于自注意力网络的时间感知序列化推荐(self-attention-based network for time-aware sequential recommendation, SNTSR)模型,该模型将时间信息融入改进的自注意力网络中,以探索动态时间对下一商品预测的影响.同时, SNTSR独立计算位置相关性,以消除可能引入的噪声相关性,增强捕获用户序列模式的能力.在两个真实世界数据集上的大量实验表明, SNTSR始终优于一组先进的序列化推荐模型.
- 单位
