基于时序图 Transformer 的多行为序列推荐

利用用户与物品的序列交互对用户随时间演化的偏好进行建模，已在许多在线应用中受到越来越多的关注。因此，序列推荐系统被开发出来，从历史交互中学习动态用户兴趣以推荐物品。然而，现有大多数序列推荐系统中的交互模式编码函数聚焦于单一类型的用户-物品交互。在许多真实在线平台中，用户-物品交互行为往往是多类型的（例如点击、收藏、购买），且具有复杂的跨类型行为相互依赖。基于多类型交互数据学习用户与物品的信息性表示，对于准确刻画随时间演化的用户偏好至关重要。在本工作中，我们以解决具有多行为交互模式感知的动态用户-物品关系学习问题为目标。为此，我们提出一种新的时序图 Transformer（TGT）推荐框架，通过探索不同类型行为间的演化相关性，联合捕获动态短期与长程用户-物品交互模式。新的 TGT 方法使序列推荐架构能够提炼特定类型行为关系上下文与隐式行为依赖的专有知识。在真实数据集上的实验表明，我们的 TGT 方法持续优于多种最先进的推荐方法。我们的模型实现代码可在 https://github.com/akaxlh/TGT 获取。