面向会话推荐的上下文感知短期兴趣优先模型

在用户画像不可用的情况下,基于匿名会话的推荐尤为重要,其旨在根据用户一段时间内的访问序列预测用户下一时刻可能点击的物品。近年来,随着循环神经网络、注意力机制和图神经网络的发展,基于会话的推荐性能得到了极大提升。然而,以往方法未综合考虑会话的上下文依赖性与短期兴趣优先性。因此,我们提出了一种上下文感知短期兴趣优先模型(CASIF)。本文旨在通过结合上下文与短期兴趣来提高推荐准确率。在 CASIF 中,我们为会话序列动态构建图结构,并通过图神经网络(GNN)捕获丰富的上下文依赖关系,将隐特征向量作为下一步的输入。然后我们构建短期兴趣优先模块,该模块能在长期记忆的上下文中从会话中捕获用户的一般兴趣,同时从最后一次点击的物品中获取用户的当前兴趣。最后,将短期与长期兴趣结合作为最终兴趣,并与候选向量相乘得到推荐概率。最终,在两个真实数据集上的大量实验证明了我们所提方法的有效性。