摘要
序列化推荐旨在通过建模用户的历史交互数据（如点击、购买和签到）之间的顺序依赖关系，来捕获用户的动态兴趣（或需求）并为其推荐在未来最可能会交互的物品。近几年，序列化推荐已经成为个性化推荐系统研究中的一个热点问题。 尽管研究者已经提出了很多序列化推荐工作，但现有的序列化推荐工作仍然面临着以下两个挑战：第一个挑战，现有的序列化推荐工作未能同时考虑用户偏好的全局稳定性和局部波动性，使用基于标量的加权模式来融合用户的长期偏好和短期偏好，忽略了相邻交互之间的时间间隔信息对两种偏好融合的影响，这使得用户偏好嵌入的学习过于粗糙，可能会降低学习用户偏好的准确性。这是因为用户具有会随着时间缓慢变化的长期偏好和具有波动性且可能与长期偏好完全不一样的短期偏好，并且这两种偏好对用户当前偏好的影响是动态的、个性化的和细粒度化的。第二个挑战，现有的序列化推荐工作没有充分利用行为的类型信息来帮助学习用户和物品的个性化偏好，忽略了用户多类型交互的顺序依赖关系，导致了模型的推荐性能提升受限。这是因为在真实的用户交互过程中，不同类型的行为暗示了用户关注（或物品体现）的方面（如品牌、价格等）具有差异性。并且不同类型的交互之间存在一种顺序依赖关系，这种顺序关系的存在意味着不同类型的用户偏好预测是应该有序列性的和关联性的，而不是各自独立的。 为了解决第一个挑战，本文提出了一个基于层次自注意力网络的时间间隔敏感的序列化推荐模型（Hierarchicalself-AttentionnetworkforTimelagawareSequentialRecommendation，HATSRec)。该模型结合了一个层次用户偏好学习模型和对时间间隔敏感的长、短期偏好的细粒度融合模型。具体地，HATSRec采用了一个层次自注意力神经网络学习用户具有全局稳定性的长期偏好和局部波动性的短期偏好，然后通过在神经时间门模块中利用时间间隔信息来自适应地、细粒度地在方面层次上权衡用户的长期偏好和短期偏好对用户当前偏好的学习的贡献。本文通过在真实数据集上的大量实验和实例分析，验证了HATSRec模型的有效性。 为了解决第二个挑战，本文提出了一个（SequentialRecommendationbasedontheCollaborationofMulti-TypeBehaviors，MTBCSRec）。该模型从用户和物品两个角度同时学习了类型不变的（Type-invariant）偏好嵌入和类型特定的（Type-specific）偏好嵌入。模型利用了行为的类型信息帮助学习更健壮的用户和物品的偏好嵌入，学到的用户和物品偏好嵌入既有多类型交互行为共享的本质特征，又有类型特定的且区别于其他类型的独特偏好特征。模型还通过多头自注意力机制建模用户一个序列中不同类型的交互的顺序依赖关系，并个性化地学习用户多类型的动态偏好，进行多类型的序列化推荐。本文通过在真实数据集上的大量实验和实例分析，验证了MTBCSRec模型的有效性。
NETL