摘要
随着互联网信息技术的发展，人类进入了信息过载的时代。推荐系统凭借其在个性化信息筛选方面能够帮助用户准确决策的优势，在一定程度上缓解了信息过载产生的信息提供者与需求者不能精确匹配的问题。近年来，基于用户行为的序列推荐得到学术界和工业界的广泛关注，同时也反映出目前序列推荐存在的一些问题：一是传统推荐模型通常以静态方式建模用户－物品交互行为，并且忽略对用户偏好产生影响的上下文信息，从而无法模拟用户偏好动态变化的问题；二是现有序列推荐模型只建模用户的长期偏好或短期兴趣，对用户偏好挖掘不充分的问题；三是现有序列推荐模型忽略了不同用户的个性化行为，导致模型不能充分捕获用户偏好动态变化而产生的兴趣漂移问题。因此，论文基于用户长短期偏好的序列推荐模型进行研究，主要内容如下： （1）针对传统推荐模型忽略用户－物品交互行为中的上下文信息，无法模拟用户偏好动态变化的问题，提出了一种基于上下文信息的长短期偏好序列推荐模型（Long-term and short-term preference sequence recommendation model based on context information，CI-LSPSRM）。首先，根据用户交互行为的多样性，不同类别的交互行为反映用户对物品不同的偏好程度，设计基于用户交互行为的嵌入层，进而识别用户偏好物品之间的相似性；其次，根据用户－物品交互行为类别上下文信息对长短期记忆网络进行初始化，依赖用户交互间隔上下文信息提出用户兴趣因子并基于此对长短期记忆网络进行改进建模用户长短期偏好，模拟用户偏好的动态变化；最后，在推荐预测层利用三线性乘积将用户长短期偏好进行融合并生成前N项推荐候选物品列表。在亚马逊公开数据集的4个子集上进行实验，采用AUC值和召回率指标进行综合评估，实验结果表明，所提模型的表现优于其他先进基准模型，有效地提升了推荐性能。 （2）针对现有序列推荐模型忽略了不同用户的个性化行为，导致模型不能充分捕获用户动态偏好而产生的兴趣漂移问题，提出了一种基于用户行为的长短期偏好序列推荐模型（ Long-term and short-term preference sequence recommendation model based on user behavior，UB-LSPSRM）。首先，根据用户的序列中交互物品的类别和时间信息生成用户的动态类别嵌入，进而有效建立物品之间的关联性，并且降低数据的稀疏性；其次，根据用户当前点击物品和最后一项点击的时间间隔信息生成个性化时序位置嵌入矩阵，模拟用户的个性化聚集现象，以更好地反映用户偏好的动态变化；然后，将融合了个性化时序位置嵌入矩阵的用户长期偏好序列以会话为单位输入到门控循环单元，生成用户的长期偏好表示，并通过注意力机制将用户长短期偏好进行融合，生成用户的最终偏好表示，从而达到充分捕获用户偏好的目的；最后，将用户最终偏好表示输入到推荐预测层进行推荐预测。在亚马逊公开数据集的7个子集上进行实验，采用AUC值、召回率和精确率指标进行综合评估，实验结果表明，所提模型的表现优于其他先进基准模型，有效地提升了推荐性能。
NETL