摘要
推荐系统能够预测用户对物品的潜在兴趣，在当今的在线平台上得到了广泛的应用。序列推荐在在线服务（如电子商务）中具有很高的实用价值，因此吸引了越来越多研究者的研究兴趣，序列推荐的基本目标是捕捉项目转换相关性。用户当前的兴趣随着其历史行为演变，这使得平台很难做出适当的建议。因此有必要描述用户历史记录的演化模式，对用户在项目上的事务的序列模式进行建模。通过这些用户表示，可以轻松地为每个用户推荐合适的项目。因此，研究工作的主线是通过使用更强大的序列模型来获得更好的用户表示。 用户的意图和用户与在线平台的互动高度相关。因此，在序列推荐任务中，有必要考虑用户短期意图、用户长期偏好和项目特征对推荐的影响。根据交互的时间戳对项目进行排序，并专注于序列模式挖掘来预测可能被交互的下一个项目。同时需要在时间序列模型框架内明确地建模交互的时间戳，即用户交互序列应该被建模为一个具有不同时间间隔的序列，以探索不同时间间隔对下一个项目预测的影响。本文主要工作总结如下： （1）设计实现一种基于注意力机制的深度神经网络ADNNet，用于序列推荐。同时考虑长期和短期行为，通过不同的模块分别建模，以捕获用户的潜在兴趣。使用卷积神经网络对用户的短期行为序列进行建模。利用门控循环单元模块有效捕获用户的长期偏好。此外，使用自注意力模块动态平衡用户的长期兴趣和短期需求，学习用户行为中长期和短期的相关信息，而不是简单的组合。 （2）将模型改进为一个基于时序注意力机制的深度神经网络TADNNet，用于序列推荐。这是一种解决序列推荐问题的新方法。通过使用卷积神经网络提取短期序列特征，同时选择双向循环神经网络结构从两个方向捕获周围的事件上下文，对用户的总体偏好进行建模，并使用基于时间间隔的自注意力机制明确地建模交互的时间戳以获得最优解。 （3）对六个公共数据集的广泛实证研究，以及与最新技术相关的基线相比，本文的模型实现了最先进的性能。详细的实验结果证明了模型体系结构的有效性，最终能够成功地捕获用户序列中的长短期行为偏好模式，为序列推荐问题提供了更好的解决方案。
NETL