C-TLSAN：面向个性化推荐的内容增强时序长短期注意力网络
机器学习
2025-06-17 v1
摘要
顺序推荐系统旨在通过捕捉用户历史交互中的模式，来建模用户不断演变的偏好。近期研究通过深度神经网络和注意力机制，有效地表示序列行为和时序敏感兴趣。在本工作中，我们提出了 C-TLSAN（Content-Enhanced Time-Aware Long- and Short-Term Attention Network），这是一种基于 TLSAN 架构的扩展，联合建模长期和短期用户偏好，并纳入诸如产品描述等项目的语义内容。C-TLSAN 通过将与用户历史交互关联的文本内容嵌入到长期和短期注意力层中，丰富了推荐管道。这使得模型能够从行为模式和丰富的项目内容中学习，进而在时序维度上增强用户和项目的表示。通过将序列信号与文本语义融合，我们的方法提高了推荐系统的表达力和个性化能力。我们在大规模 Amazon 数据集上进行了广泛实验，將 C-TLSAN 与最新基于大型语言模型（LLM）的顺序推荐器进行基准测试，这些推荐器将交互历史和预测以文本形式表示。实证结果表明，C-TLSAN 在后续项目预测任务中 consistently 优于强大的基线方法。在 10 个 Amazon 产品类别中，C-TLSAN 相对于最佳基线（TLSAN）平均提升 AUC 1.66%，Recall@10 提升 93.99%，Precision@10 提升 94.80%。这些结果凸显了将内容感知的增强功能集成到时序建模框架中以进行顺序推荐的价值。我们的代码已公开 https://github.com/booml247/cTLSAN
引用
@article{arxiv.2506.13021,
title = {C-TLSAN: Content-Enhanced Time-Aware Long- and Short-Term Attention Network for Personalized Recommendation},
author = {Siqi Liang and Yudi Zhang and Yubo Wang},
journal= {arXiv preprint arXiv:2506.13021},
year = {2025}
}