Transformer 遇上 ACT-R：面向重复感知与序列监听的推荐系统

音乐流媒体服务常利用序列推荐系统根据用户过去的监听序列预测最佳音乐。然而，大多数序列推荐方法忽略或未充分考虑重复行为。这一局限在音乐推荐中尤为关键，因为用户会反复监听同一首歌，这会改变他们对该歌曲的感知。本文引入 PISA（Psychology-Informed Session embedding using ACT-R），一个克服这一局限的会话级序列推荐系统。PISA 采用 Transformer 架构学习监听会话和用户的嵌入表示，利用受 Anderson 的 ACT-R（自适应思考-理性）启发的注意力机制，捕捉人类信息获取和记忆动态。该方法使我们能够捕捉用户行为中的动态和重复模式，从而有效预测其后续会话中将监听的歌曲，无论是重复听还是新听。我们使用来自 Last.fm 的公开数据以及来自全球音乐流媒体服务 Deezer 的专有数据，实证证明 PISA 的有效性，确认重复建模在序列监听会话推荐中的关键重要性。本文附带我们公开发布的专有数据集以促进该领域未来研究，以及 PISA 的源代码以便其未来使用。