10.14132/j.cnki.1673-5439.2022.01.012
融合用户兴趣度的基于自注意力的序列推荐模型
序列推荐试图利用用户的连续行为、用户偏好、物品流行度以及用户和项目之间的交互动作进行建模,传统的马尔科夫链(MC)、递归神经网络(RNN)和基于自注意力的模型已被大量应用于序列推荐,但它们只是将交互历史假设成有序序列,忽略各个交互之间的时间间隔,也不考虑序列中项目之间交互的可能性存在大小关系以及用户对项目的兴趣度可能随着时间推移而发生变化.文中对基于时间间隔感知自注意力的序列推荐模型TiSASRec进行优化,提出了考虑到用户对项目的兴趣度会发生变化的改进模型TiSeqRec,该模型基于TiSASRec,进一步捕获用户整体偏好和局部偏好,并使用一致性感知门控网络将两种偏好智能结合,预测下一项的内容.通过大量的实验验证了 TiSeqRec模型在稀疏、密集数据集和不同的评价指标上都优于已有的最新的序列推荐模型.
序列推荐、自注意力机制、时间感知模型、用户对项目的兴趣度
42
TP181(自动化基础理论)
国家自然科学基金;江苏省研究生教育教学改革课题资助项目
2022-04-25（万方平台首次上网日期，不代表论文的发表时间）
共11页
90-100
