基于多视角注意力机制的偏见感知顺序推荐

在信息技术不断进步的时代，推荐系统已成为处理信息超载的关键工具。然而，传统的推荐系统在捕捉用户行为动态演化方面仍存在局限。为更好地理解和预测用户行为，尤其是考虑时序演化的复杂性，sequential recommender system逐渐成为研究的焦点。当前许多顺序推荐算法忽略了流行偏见的放大效应，导致推荐结果受玛丽亚效应影响。此外，这会限制推荐系统深入感知和捕捉用户偏好动态变化的能力，从而削弱其推荐覆盖范围。为有效解决此问题，我们提出了一种基于顺序信息和注意力机制的推荐系统，称为多视角注意力偏见顺序推荐（MABSRec）。首先，我们将用户序列重构为三种短类型，并利用图神经网络进行物品加权。随后，提出一种自适应多偏见视角注意力模块以提高推荐准确性。实验结果表明，MABSRec模型在所有评估指标上均显示出显著优势，展现了在序列推荐任务中的卓越性能。