面向跨域序列推荐的混合注意力网络

在现代推荐系统中，序列推荐利用按时间排序的用户行为进行有效下一物品推荐，但其受数据稀疏问题困扰，尤其对于新用户。一个有前景的研究方向是跨域推荐，其利用多域数据训练模型以提升数据稀缺域的性能。近期提出的跨域序列推荐模型如 PiNet 与 DASL 存在一个共同缺陷，即严重依赖不同域间的重叠用户，这限制了它们在实际推荐系统中的使用。本文中，我们提出一种具有局部与全局注意力模块的混合注意力网络（MAN），以提取域特定与跨域信息。首先，我们提出局部/全局编码层以捕获域特定/跨域序列模式。随后我们提出包含物品相似度注意力、序列融合注意力与组原型注意力的混合注意力层，分别用于捕获局部/全局物品相似度、融合局部/全局物品序列，以及提取跨不同域的用户组。最后，我们提出局部/全局预测层以进一步演化并组合域特定与跨域兴趣。在两个真实数据集（各含两个域）上的实验结果证明了我们所提模型的优越性。进一步研究也表明，我们所提方法与各组件分别具有模型无关性与有效性。代码与数据见 https://github.com/Guanyu-Lin/MAN。