基于廉价因果卷积的自注意力序列推荐
信息检索
2023-02-23 v4
摘要
序列推荐是当前研究中的热门课题，其利用用户行为序列作为输入来预测未来行为。通过点积评估历史行为的相关性强度，基于自注意力机制的模型能够捕捉序列的长期偏好。然而，它存在两个局限。一方面，在确定注意力并生成序列表示时，未能有效利用物品的局部上下文信息。另一方面，卷积层与线性层常包含冗余信息，限制了编码序列的能力。本文提出一种基于廉价因果卷积的自注意力序列推荐模型。它利用因果卷积捕捉物品的局部信息以计算注意力并生成序列嵌入，并使用廉价卷积通过轻量结构改进表示。我们从准确性与校准性序列推荐两方面评估所提模型的有效性。在基准数据集上的实验表明，该模型在单目标与多目标推荐场景中均表现更优。
引用
@article{arxiv.2211.01297,
title = {Self-Attentive Sequential Recommendation with Cheap Causal Convolutions},
author = {Jiayi Chen and Wen Wu and Liye Shi and Yu Ji and Wenxin Hu and Xi Chen and Wei Zheng and Liang He},
journal= {arXiv preprint arXiv:2211.01297},
year = {2023}
}