考虑时间滞后的序列推荐
信息检索
2022-08-10 v1
摘要
尽管针对序列推荐已提出多种方法，但由于两方面挑战，该问题仍远未得到很好解决。首先，现有方法往往缺乏对用户偏好全局稳定性与局部波动性的同时考量，这可能削弱对用户当前偏好的学习。其次，现有方法常采用基于标量的加权方案来融合长期与短期偏好，过于粗糙，难以学到具有表达力的当前偏好嵌入。为应对这两大挑战，我们提出一种名为考虑时间滞后的序列推荐（TLSRec）的新模型，其集成了用户偏好的分层建模，以及对长期与短期偏好基于时间滞后的细粒度融合。TLSRec采用分层自注意力网络在全局与局部时间尺度上学习用户偏好，并采用神经时间门，依据当前时间与用户上次行为时间之间的滞后，在方面层面上自适应调节长期与短期偏好对学习用户当前偏好的贡献。在真实数据集上开展的广泛实验验证了TLSRec的有效性。
引用
@article{arxiv.2208.04760,
title = {Time Lag Aware Sequential Recommendation},
author = {Lihua Chen and Ning Yang and Philip S Yu},
journal= {arXiv preprint arXiv:2208.04760},
year = {2022}
}
备注
This paper has been accepted by CIKM 2022