融合多种时间模式的序列推荐
摘要
推荐系统在解决信息过载问题上扮演着至关重要的角色,并已广泛应用于各大领
域,取得了巨大的成功。在各种各样的推荐系统中,因为序列推荐可以捕获用户交互记
录的序列信息,所以成为当前的研究热点。
由于推荐系统中存在数据稀疏性的问题,想要获得更好的推荐性能,仅仅依靠交互
数据是有限的。为了更准确地捕获用户的动态偏好,研究者开始探索时间信息来提高推
荐性能。对此,本文系统性地研究了时间信息在序列推荐中的使用情况,并确定了三种
123
重要的时间模式:()绝对时间;()相对物品时间间隔;()相对推荐时间间隔。
虽然现有的工作取得了很大进展,但是仍然存在一些问题:现有工作只考虑单一的时间
模式,忽略了融合多方面时间信息的重要性;现有工作忽略了物品和绝对时间有一定的
内在联系;现有工作忽略了相对物品时间间隔和相对推荐时间间隔之间的关系。
Holistic
针对上述问题,本文提出了一个融合多种时间模式的序列推荐模型(
TemporalPatterns,HTPHTP
)。模型创新性融合多种对推荐有用的时间信息,并且提出
了以物品驱动的绝对时间模式,同时建模了相对物品时间间隔和相对推荐时间间隔之间
的关系。该模型包含三个主要的部分,每一个部分在不同时间粒度下(如月、日和周等)
去处理对应的时间信息。首先,绝对时间模块通过全局数据驱动的方式学习每个物品对
应的绝对时间模式。然后,物品时间间隔模块利用物品之间的时间间隔信息来捕获物品
之间的关系,并且建立物品的时间间隔模式。最后,将推荐时间间隔和物品的时间间隔
模式进行对齐,用来处理相对物品时间间隔和相对推荐时间间隔之间的关系。
针对HTP模型中数据稀疏性和时间编码的缺陷,本文提出了全局物品时间间隔的
GlobalItemIntervalGTI
序列推荐模型(,)。该模型通过挖掘全局物品时间间隔模式来
解决稀疏性问题;引入连续时间编码技术来表示时间间隔信息,进一步解决时间编码缺
陷的问题。因此,GTI模型不仅解决了HTP模型存在的缺陷,而且解决了时间信息在
推荐系统中现有方法的不足。
与基准方法相比,模型融合了多种时间模式的优势,大幅度提升推荐性能。在三个
HR@10NDCG@10AUC
公开数据集上的实验表明,、和性能指标均优于基准模型,验
证了模型的优越性。
关键词:推荐系统;时间信息;连续时间编码;
融合多种时间模式的序列推荐
Abstract
Recommendersystemshaveplayedasignificantroleinaddressingtheproblemof
informationoverload,andtheyhavebeenwidelyappliedacrossvariousdomains,achieving
considerablesuccess.Amongthediverserangeofrecommendersystems,thesequential
recommendationhasbecomeaprominentresearchfocusduetoitsabilitytoleveragethe
sequentialinformationofuser-historicalinteractions.
Duetotheissueofdatasparsi