提取注意力式社交时间激励用于序列推荐
社会与信息网络
2021-09-29 v1 人工智能
信息检索
摘要
在协同过滤中，充分利用社交信息以提升推荐质量是一种重要途径，因用户行为会受好友影响，其有效性已被证实。然而，现有工作以用户级间接范式利用社交关系从好友历史行为序列聚合用户特征，该间接范式显著缺陷在于忽略了跨用户行为事件间的时间关系。本文提出一种称为社交时间激励网络(STEN)的时序感知序列推荐新框架，引入时间点过程以事件级直接范式建模好友行为对用户动态兴趣的细粒度影响。此外，我们将序列推荐中的时间效应分解为社交互时间效应与自我时间效应。具体地，我们采用社交异构图嵌入层通过结构信息精炼用户表示；为增强时间信息传播，STEN通过互激励时间网络直接提取好友行为的细粒度时间互影响，并通过自激励时间网络捕获用户动态兴趣。在三个真实数据集上的大量实验表明STEN优于SOTA基线方法，且STEN提供了事件级推荐可解释性，这也经实验得以说明。
引用
@article{arxiv.2109.13539,
title = {Extracting Attentive Social Temporal Excitation for Sequential Recommendation},
author = {Yunzhe Li and Yue Ding and Bo Chen and Xin Xin and Yule Wang and Yuxiang Shi and Ruiming Tang and Dong Wang},
journal= {arXiv preprint arXiv:2109.13539},
year = {2021}
}
备注
Accepted by CIKM 2021