面向推荐系统的分期序列自注意力网络
在推荐系统中,为了充分表达用户反馈数据内部的相互依赖和序列性,准确提取用户的长期/一般偏好、应对数据的动态性,本文提出了一种分期序列自注意力网络(long-term&short-term sequential self-attention network,LSSSAN)进行序列推荐.模型采用自注意力机制和GRU捕捉了用户反馈数据之间的相互依赖和序列性;模型采用注意力机制为不同反馈数据赋予不同权重以动态捕捉重点信息,同时考虑了上下文的动态性;模型基于用户的长期反馈数据,准确表达了用户的长期/一般偏好.该模型在两个数据集上进行训练和测试,结果表明该模型的推荐效果整体优于之前的相关工作.
推荐系统、序列推荐、注意力机制、动态赋权、自注意力机制、序列依赖关系、门控循环单元、序列性偏好
16
TP391(计算技术、计算机技术)
2021-07-13(万方平台首次上网日期,不代表论文的发表时间)
共9页
353-361