面向连续时间序列推荐的长短期偏好建模
信息检索
2022-08-02 v1 机器学习
摘要
在推荐系统中，建模用户偏好的演化至关重要。近期，基于动态图的方法已被研究并在推荐任务中取得了 SOTA，其中大多数关注用户稳定的长期偏好。然而，在真实场景中，用户的短期偏好随时间动态演化。尽管存在试图捕捉短期偏好的序列方法，但如何利用基于动态图的方法对短期偏好的演化进行建模尚未得到很好的解决。具体而言：1) 现有方法没有像序列方法那样显式地编码和捕捉短期偏好的演化；2) 仅使用最近几次交互不足以建模变化趋势。在本文中，我们提出了面向连续时间序列推荐的长短期偏好建模 (LSTSR)，以在动态图下捕捉短期偏好的演化。具体而言，我们显式地编码短期偏好，并通过记忆机制对其进行优化，该机制包含三个关键操作：消息、聚合和更新。我们的记忆机制不仅能存储一跳信息，还能在线随新交互触发。在五个公开数据集上进行的大量实验表明，LSTSR 在各个方面均持续优于许多 state-of-the-art 推荐方法。
引用
@article{arxiv.2208.00593,
title = {Long Short-Term Preference Modeling for Continuous-Time Sequential Recommendation},
author = {Huixuan Chi and Hao Xu and Hao Fu and Mengya Liu and Mengdi Zhang and Yuji Yang and Qinfen Hao and Wei Wu},
journal= {arXiv preprint arXiv:2208.00593},
year = {2022}
}
备注
9 pages, 4 figures