摘要
大数据时代的来临使得人们面临海量的信息和选择，推荐系统应运而生，并被广泛应用于各种网络服务中，以解决信息过载的问题。序列推荐因为可以动态地建模用户偏好，而成为推荐系统领域的研究焦点。然而，其中大多数序列推荐模型仅侧重于用户行为序列的顺序建模。 因为数据稀疏问题和部分序列内部的项目之间时间间隔长的问题，导致这些模型无法有效缓解用户偏好漂移问题。因为过度关注于对用户行为序列的建模，现有的大多数方法忽略了可以从时间的角度捕捉用户的细粒度周期偏好（比如用户A在周日喜欢打羽毛球和看电影），导致无法从局部信息中挖掘用户的细粒度周期性偏好。因此，针对以上问题，本文提出了融合时间感知的双编码器和双对比学习的序列推荐算法和基于时间感知子序列和图增强的序列推荐算法，主要研究内容如下： (1)针对推荐过程中，用户偏好漂移的问题，提出了融合时间信息的双编码器和双对比学习的序列推荐方法(Dual Contrastive Learning and Dual Bi-directional Transformer Encoders for Sequential Recommendations,简称DBT4Rec)，该算法通过将用户对历史项目的时间和评分作为历史编码器的输入，挖掘其中蕴含的语义知识。然后，该算法通过序列编码器中的注意力机制将这部分语义知识转换为辅助特征以捕捉用户偏好的动态变化。然后，该算法设计了序列内部和序列之间的对比学习方法，用来增强语融合历史信息的项目序列表示。最后，在三个公共数据集上进行实验性能分析，验证了DBT4Rec算法的有效性。实验结果表明，DBT4Rec算法对比的先进基线算法，在Beauty，Toys和ML-1M三个数据上，NDCG@10指标分别提升12.9%，9.4%和6.0%。 (2)针对用户交互数据稀疏且难以从交互序列内部挖掘用户细粒度的周期偏好的问题，提出了一种基于时间感知子序列和图增强的序列推荐算法(Time-Aware Dynamic Subgraphs and Subsequences for Sequential Recommender Systems,简称TAG4Rec)。具体来说，与之前捕捉用户的长期兴趣不同，本文基于时间周期（比如每个周日）将序列划分为局部子序列。将具有相同周期特征的子序列作为正样本，对序列周期进行建模。将时间感知的序列图与原始序列图作为正样本，对图信息进行数据增强。通过优化这两个训练目标，该方法可以在用户长期兴趣的基础上，有效地捕捉到图和序列表征中的用户细粒度周期偏好。最后，在两个公共数据集上进行了实验性能分析，验证了该算法的有效性。实验结果表明，该算法对比的先进基线算法，在Beauty和Toys两个数据上，NDCG@20指标分别提升11%和13.9%。
NETL