动态时间序列是许多现代推荐系统的关键特征,主要是为了寻求基于用户最近执行的动作来捕获用户活动的“上下文”,然而大部分基于长短期记忆网络的序列模型只考虑了用户的短期兴趣,忽略了长期兴趣。为提升序列推荐的性能,提出一种基于LST...动态时间序列是许多现代推荐系统的关键特征,主要是为了寻求基于用户最近执行的动作来捕获用户活动的“上下文”,然而大部分基于长短期记忆网络的序列模型只考虑了用户的短期兴趣,忽略了长期兴趣。为提升序列推荐的性能,提出一种基于LSTM的长短期偏好序列推荐方法LLSPRec(Long Short-term Preference Recommendation Based on LSTM)。该方法使用LSTM对用户的时间序列进行建模,聚合了序列之间的相关特征信息,得到用户的近期偏好,通过距离度量学习对用户本身和候选项目距离进行建模,得到用户的长期偏好,并根据用户的意图动态地整合用户的长期和近期偏好,从而准确地描述用户兴趣,提高推荐结果的多样性。展开更多
文摘动态时间序列是许多现代推荐系统的关键特征,主要是为了寻求基于用户最近执行的动作来捕获用户活动的“上下文”,然而大部分基于长短期记忆网络的序列模型只考虑了用户的短期兴趣,忽略了长期兴趣。为提升序列推荐的性能,提出一种基于LSTM的长短期偏好序列推荐方法LLSPRec(Long Short-term Preference Recommendation Based on LSTM)。该方法使用LSTM对用户的时间序列进行建模,聚合了序列之间的相关特征信息,得到用户的近期偏好,通过距离度量学习对用户本身和候选项目距离进行建模,得到用户的长期偏好,并根据用户的意图动态地整合用户的长期和近期偏好,从而准确地描述用户兴趣,提高推荐结果的多样性。
