用于序列推荐的时序线性物品-物品模型
信息检索
2024-12-11 v1 机器学习
摘要
在序列推荐(SR)中，神经网络模型因其显著性能而被积极探索，但其固有的复杂性导致效率低下。另一方面，线性SR模型效率高，且准确度可与神经网络模型相媲美甚至更优。然而，它们仅处理物品的顺序信息(即序列信息)，而忽略了实际时间戳(即时间信息)，难以有效捕捉用户偏好随时间的各种漂移。为解决此问题，我们提出了一种新颖的线性SR模型——时序线性物品-物品模型(TALE)，在保持训练/推理效率的同时融入时间信息，包含三个关键组件。(i) 单目标增强聚焦于单个目标物品，使我们能够学习目标物品的时间相关性。(ii) 时间间隔感知加权利用实际时间戳根据时间间隔辨别物品相关性。(iii) 趋势感知归一化反映物品流行度随时间的动态变化。我们的实证研究表明，TALE在五个基准数据集上超越十种竞争SR模型，最高提升18.71%。它在评估长尾物品时也表现出显著有效性，提升高达30.45%。源代码可在 https://github.com/psm1206/TALE 获取。
引用
@article{arxiv.2412.07382,
title = {Temporal Linear Item-Item Model for Sequential Recommendation},
author = {Seongmin Park and Mincheol Yoon and Minjin Choi and Jongwuk Lee},
journal= {arXiv preprint arXiv:2412.07382},
year = {2024}
}
备注
Accepted by WSDM 2025