Time Matters: Sequential Recommendation with Complex Temporal Information
Time Matters: Sequential Recommendation with Complex
Temporal Information
摘要
将时间信息纳入推荐系统最近引起了工业和学术研究界越来越多的关注。现有的方法大多将行为的时间信息简化为行为序列,用于后续基于RNN的建模。以如此简单的方式,关键的时间相关信号在很大程度上被忽略了。本文旨在系统地研究序列推荐中时间信息的影响。特别是,我们首先发现了用户行为的两种基本时间模式:“绝对时间模式”和“相对时间模式”,其中前者突出了用户的时间敏感行为,比如人们可能经常在某个时间点与特定的产品进行交互,后者表明时间间隔如何影响两个动作之间的关系。为了将这些信息无缝地整合到一个统一的模型中,我们设计了一种神经架构,可以联合学习这些时间模式来对用户动态偏好进行建模。在真实数据集上的大量实验表明,与现有技术相比,我们的模型具有优越性。
1 介绍
推荐系统作为一种有效的信息过滤方法,已被部署在许多实际应用中,从视频共享网站、电子商务到在线书店和社交网络。近年来,为了捕获用户动态偏好,用户序列行为建模出现了一种新的趋势,基本假设在于“用户以前的行为可能会影响她的后面的行为”。 ? 现有的序列推荐算法主要关注用户行为的顺序,而忽略了他们的时间模式。例如,传统的推荐系统通常使用概念漂移来模拟用户兴趣的时间演变,并假设用户的兴趣随时间平滑演变。最近基于神经网络的方法,尤其是基于会话的推荐,主要侧重于跟踪短期用户兴趣,并且只将项目的顺序进行建模。除此之外,一些序列推荐模型嵌入了具有自注意力的桶化绝对时间和位置。尽管在将时间信息集成到序列推荐方面有一些初步的努力,但它们大多考虑的是不完整(或部分)的时间信息。在对这种集成时间模式进行全面和彻底的建模方面仍然缺乏努力。 ? 在本研究中,我们系统地研究时间信息在序列推荐中的作用。如图1所示,用户重复购买衣服,比如6月份购买t恤,1月份购买夹克。虽然一个粗略的“衣服”类别可以用来概括她的兴趣,一个更好的精炼模型也可以推断相关的季节信息,例如,用户可能对4月份的衬衫感兴趣。
|