为了解决序列推荐中的用户偏好漂移问题,以及更精确地捕捉用户动态偏好,提出了一种新型的序列推荐模型SILSSRec(side information and long-short term preferences based sequence recommendation)。该模型首先利用项目的类别和频次作...为了解决序列推荐中的用户偏好漂移问题,以及更精确地捕捉用户动态偏好,提出了一种新型的序列推荐模型SILSSRec(side information and long-short term preferences based sequence recommendation)。该模型首先利用项目的类别和频次作为辅助信息,基于用户的历史交互序列,生成个性化用户嵌入表示。然后,通过历史交互和当前交互之间的时间间隔生成个性化时间间隔嵌入,并将此嵌入与项目特征嵌入融合,形成个性化时间嵌入表示。模型采用注意力机制和门控循环网络,从嵌入表示中提取用户的长期和短期偏好。此外,通过对比学习强化偏好的特征表达,并使用自适应聚合网络动态融合这两种偏好,形成用户的最终偏好表示。在8个公开数据集上的实验结果表明,SILSSRec在评估指标上优于现有的基线模型,其中AUC(area under curve)平均提高了3.82%、召回率平均提高了7.2%、精确率平均提高了0.3%。实验证明SILSSRec在不同场景下均有较好表现,有效缓解了偏好漂移问题,提升了推荐效果。展开更多
针对短视频序列推荐中存在的点击数据稀疏性、观看时长反馈中的噪声以及偏差问题,提出了一种基于时长感知的短视频序列推荐模型(duration-aware for short video sequential recommendation,DASR)。该模型通过对用户观看时长反馈的深入...针对短视频序列推荐中存在的点击数据稀疏性、观看时长反馈中的噪声以及偏差问题,提出了一种基于时长感知的短视频序列推荐模型(duration-aware for short video sequential recommendation,DASR)。该模型通过对用户观看时长反馈的深入建模,有效地缓解了数据稀疏性问题。提出了一种无偏差的多语义观看时长反馈标签生成方法。该方法结合了K近邻算法和训练数据的百分位数分析,动态生成适应不同视频时长的标签阈值,有效地消除了视频时长偏差的影响。提出了一种基于强弱注意力网络的噪声提取方法,从观看时长中准确地提取正向和负向兴趣信号,从而解决了观看时长反馈中存在的噪声。在开源的短视频数据集上进行了广泛实验,结果表明该模型在多个评价指标上优于其他主流方法。展开更多
文摘为了解决序列推荐中的用户偏好漂移问题,以及更精确地捕捉用户动态偏好,提出了一种新型的序列推荐模型SILSSRec(side information and long-short term preferences based sequence recommendation)。该模型首先利用项目的类别和频次作为辅助信息,基于用户的历史交互序列,生成个性化用户嵌入表示。然后,通过历史交互和当前交互之间的时间间隔生成个性化时间间隔嵌入,并将此嵌入与项目特征嵌入融合,形成个性化时间嵌入表示。模型采用注意力机制和门控循环网络,从嵌入表示中提取用户的长期和短期偏好。此外,通过对比学习强化偏好的特征表达,并使用自适应聚合网络动态融合这两种偏好,形成用户的最终偏好表示。在8个公开数据集上的实验结果表明,SILSSRec在评估指标上优于现有的基线模型,其中AUC(area under curve)平均提高了3.82%、召回率平均提高了7.2%、精确率平均提高了0.3%。实验证明SILSSRec在不同场景下均有较好表现,有效缓解了偏好漂移问题,提升了推荐效果。
文摘针对短视频序列推荐中存在的点击数据稀疏性、观看时长反馈中的噪声以及偏差问题,提出了一种基于时长感知的短视频序列推荐模型(duration-aware for short video sequential recommendation,DASR)。该模型通过对用户观看时长反馈的深入建模,有效地缓解了数据稀疏性问题。提出了一种无偏差的多语义观看时长反馈标签生成方法。该方法结合了K近邻算法和训练数据的百分位数分析,动态生成适应不同视频时长的标签阈值,有效地消除了视频时长偏差的影响。提出了一种基于强弱注意力网络的噪声提取方法,从观看时长中准确地提取正向和负向兴趣信号,从而解决了观看时长反馈中存在的噪声。在开源的短视频数据集上进行了广泛实验,结果表明该模型在多个评价指标上优于其他主流方法。
