基于时间邻近性、对比学习与自注意力机制的序列推荐

序列推荐系统从用户过去的交互中识别其偏好，以最优地预测后续物品。尽管先前研究中的传统基于深度学习的模型和现代基于Transformer的模型捕获了用户-物品交互中的单向和双向模式，但时间上下文（如个体行为和社会趋势模式）的重要性仍未得到充分探索。值得注意的是，最近的模型往往忽略了在相似时间段内不同用户之间隐式发生的用户行为相似性——我们将这一概念称为垂直时间邻近性。这些模型主要调整Transformer的自注意力机制以考虑个体用户行为中的时间上下文。同时，这种调整在考虑物品交互中的水平时间邻近性时仍然存在局限，例如区分一周内与一个月内的后续物品购买。为了解决这些不足，我们提出了一种名为TemProxRec的序列推荐模型，该模型包含对比学习和自注意力方法，以考虑跨用户-物品交互和用户-物品交互内的时间邻近性。所提出的对比学习方法学习不同用户在相近时间段内选择的物品的表示，使其相互接近。同时，所提出的自注意力机制使用绝对和相对嵌入对用户序列中的时间和位置上下文进行编码。这样，我们的TemProxRec能够基于特定时间范围内的用户-物品交互准确预测相关物品。我们通过对TemProxRec的综合实验验证了这项工作，在基准数据集上始终优于现有模型，并展示了在序列推荐中考虑垂直和水平时间邻近性的重要性。