面向时间敏感冷启动推荐的动态元学习模型

我们提出了一种新颖的动态推荐模型，聚焦于过去有交互但近期相对不活跃的用户。对这些时间敏感冷启动用户进行有效推荐，对于维持推荐系统的用户基数至关重要。由于近期交互稀疏，精确捕捉这些用户的当前偏好具有挑战性。仅依赖其历史交互也可能导致与近期兴趣不符的过时推荐。所提模型利用历史与当前用户-物品交互，并将用户的（潜在）偏好动态分解为时间特定与时间演化的表示，二者共同影响用户行为。这些潜在因子进一步与优化后的物品嵌入交互，以实现准确且及时的推荐。在真实数据上的实验验证了所提时间敏感冷启动推荐模型的有效性。