基于动态卷积和自注意力的序列推荐模型

摘要：

序列推荐是根据用户和项目的历史交互记录对用户兴趣建模,进行下一项目推荐.序列对用户兴趣建模通常分为长期兴趣依赖和短期兴趣依赖.现有的方法或按交互顺序先后将序列分割,分别对长短期兴趣依赖建模,割裂地对用户兴趣建模;或以不同的特征提取技术并行提取同一段交互序列的特征,获得全局和局部的兴趣表示,忽略不同时刻的用户意图存在该时刻行为上下文中这一事实.本文提出一种利用动态卷积和自注意力构建动态兴趣的序列推荐模型DConvSA.使用动态卷积提取局部动态兴趣,根据不同上下文项目生成卷积核,自适应计算项目的重要性.结合自注意力机制,获得全局显著项目依赖.以显式的方式融合每个时刻的全局和局部兴趣依赖,从而更好地对不同时刻兴趣间的联系建模.在3个公开数据集上进行实验,结果表明,其召回率、平均倒数排名和归一化折损累计增益在MovieLens-1M数据集上至少提升1.53%、3.77%和3.28%,在Amazon Beauty数据集上至少提升1.86%、1.94%和2.46%,在Steam数据集上至少提升0.22%、0.97%和1.08%.

关键词：序列推荐、动态卷积、自注意力、局部兴趣、全局兴趣

分类号：TP391(计算技术、计算机技术)

资助基金：广东省重点领域研发计划项目2020B0101100001

在线出版日期：2023-11-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：9-16