Déjà vu：一种用于序列推荐的情境化时间注意力机制
信息检索
2020-02-06 v1 计算与语言
机器学习
摘要
基于用户历史中的序列行为预测其偏好，对现代推荐系统而言既具挑战性又至关重要。现有多数序列推荐算法在建模历史事件对当前预测的影响时，聚焦于序列动作间的转移结构，却很大程度上忽略了时间和情境信息。本文中，我们认为过去事件对用户当前动作的影响应随时间的推移和情境的不同而变化。因此，我们提出一种情境化时间注意力机制，学习对历史动作影响进行加权，不仅依据其是什么动作，还依据其发生的时间和方式。更具体地，为动态校准自注意力机制的相对输入依赖，我们部署多个参数化核函数以学习不同的时间动态，随后利用情境信息确定每个输入应遵循何种重加权核。在两个大型公开推荐数据集上的实证评估中，我们的模型持续优于一整套最先进的序列推荐方法。
引用
@article{arxiv.2002.00741,
title = {D\'ej\`a vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation},
author = {Jibang Wu and Renqin Cai and Hongning Wang},
journal= {arXiv preprint arXiv:2002.00741},
year = {2020}
}
备注
Key Words: Sequential Recommendation, Self-attention mechanism, Temporal Recommendation