融合时间信息的序列商品推荐模型

来源：计算机技术与发展杂志2023年第03期北京时间：

作者：徐红艳;党依铭;冯勇;王嵘冰

摘要：针对基于序列的推荐方法通常忽略用户的多种兴趣倾向,并且不能很好地获取用户在短期序列中的兴趣变化,从而导致推荐结果多样性不足的问题,提出了一种融合时间信息的序列商品推荐模型。 首先,将用户的历史交互行为区分为短期序列与长期序列,分别采取不同的方法进行建模。 对于短期序列,在传统的门控循环单元( GRU) 结构中加入时间门,单独处理序列中的时间信息,同时利用多头自注意力机制捕获用户在同一会话中不同的兴趣方向;对于长期序列,采用 DeepFM 模型进行建模。 最后,利用自适应的门控结构融合用户的长短期兴趣,并根据得到的兴趣向量计算商品的得分,排序后进行推荐。 在淘宝数据集上的对比实验表明,该模型相较于主流的协同过滤模型,基于 RNN、DNN 的推荐模型以及 BINN 模型在命中率、平均倒数排名两个指标上都具有显著优势。

关键词：序列推荐;长短期兴趣;时间信息;多头自注意力机制;深度学习