科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有多数推荐方法主要根据用户在会话期间点击的物品信息为用户推荐所需信息，但用户的兴趣在不同的时间会发生变化，因此很难从用户会话所点击的项目中获得用户的准确信息。为此，文中提出一种结合自我注意力网络（SAN）和循环神经网络中的门控循环单元（GRU）的SAN-GRU混合推荐模型，以预测用户的真实意图。首先，使用多层自我注意网络捕获会话中用户-物品之间交互的全局依赖，从而获取用户行为序列中的用户长期偏好，并采用GRU隐藏层的最后一个隐藏状态来表示用户在当前会话中的短期兴趣；其次，将长期兴趣和短期兴趣进行线性结合以获得会话最后的表示，来预测下一个项目被点击的概率。为验证所提方法的有效性，选取Yoochoose和Diginetica两个公开标准数据集，与基于会话的递归神经网络推荐模型（GRU4REC）等基线方法进行实验对比。结果表明，相较于基于会话推荐的短期注意力/记忆优先级模型（STAMP）,SAN-GRU混合推荐模型在Yoochoose 1 64数据集下的召回率提升6.8%，在Yoochoose 1 4数据集下的召回率和排名倒数的平均值分别提升1.6%和9.3%。
- 单位
