MMJan, 2020

Déjà vu: 基于上下文的时间关注机制用于序列推荐

PDF
TL;DR该研究通过提出一种应对历史事件对用户当前行为影响具有时变性和受上下文影响的上下文化时间关注机制，动态校准不同时间段和上下文中历史行为对当前行为的影响，以提高推荐系统的性能。实证评估结果表明，在两个大型公共推荐数据集上，该模型始终优于现有的顺序推荐方法。
sequential behaviorshistorical eventscontextualized temporal attention mechanismrecommender systemsstate-of-the-art
发现论文，激发创造
  • 基于对比学习和自注意力机制的时间接近度上的顺序推荐

    通过对用户行为的纵向和横向时间关系进行建模，我们提出了一个名为 TemProxRec 的顺序推荐模型，该模型通过对比学习和自注意方法来准确预测特定时间段内的相关项目。

    Feb, 2024

  • MEANTIME：用多时间戳嵌入混合注意机制进行顺序推荐

    提出 MEANTIME，采用多种类型的时间嵌入和完全利用多样性的注意力结构，超越了当前最先进的连续推荐方法，通过广泛的消融研究来分析模型如何从多样的位置信息中获益。

    Aug, 2020

  • 基于时间感知的自我注意力与逻辑推理相结合的推荐系统

    本文提出了一个基于时间感知的自我注意力协同推荐模型，将时间模式和自我注意力机制融入基于推理的推荐，提供更深层的用户偏好表示，并在基准数据集上进行了广泛的实验，表明该模型在推荐方面达到了显著的改进，并始终优于现有方法。

    Aug, 2022

  • 利用自注意力机制的下一项推荐

    本文提出了一种新的序列感知推荐模型，采用自我注意机制从用户的历史交互中推断项目之间的关系，并在短期和长期意图考虑的度量学习框架中进行训练，实验结果表明，我们的方法在不同领域的广泛数据集上均表现出优异的性能。

    Aug, 2018

  • 自注意力序列推荐

    本研究通过提出一种基于自注意力机制的序列模型 (SASRec)，实现捕获用户操作的长期语义信息并利用少量操作进行预测，从而在稀疏和密集数据集上优于具有代表性的顺序模型（包括基于 MC/CNN/RNN 的方法），并且比相似的 CNN/RNN 模型高效一个数量级。注意力权重的可视化也展示了该模型如何自适应处理不同密度的数据集并揭示出有意义的活动序列模式。

    Aug, 2018

  • 上下文感知的顺序推荐

    该研究提出了一种名为 CA-RNN 的上下文感知循环神经网络模型，用于建模用户的行为模式，其采用自适应的上下文特定输入矩阵和上下文特定转移矩阵来捕捉事件发生时的外部环境和历史时序之间的转换，实验证明该模型在 Taobao 数据集和 Movielens-1M 数据集上比现有的序列推荐和上下文感知推荐方法都有明显改进。

    Sep, 2016

  • 一种职位推荐系统的时间学习和序列建模

    本文主要介绍了在 RecSys Challenge 2016 的工作推荐任务中，作者提出的基于时间的排名模型和基于 RNN 的推荐模型的解决方案，该方案在 100 多个参与者中获得第 5 名，证明序列模型在推荐系统中具有非常好的应用前景。

    Aug, 2016

  • 学习用户偏好的异质时间模式以实现及时推荐

    提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

    Apr, 2021

  • 基于分层上下文关注机制的 GRU 网络用于序列推荐

    本文提出了一种基于分层上下文注意力的 GRU 网络，用于应对循环神经网络中序列的单调时间依赖案例中用户短期兴趣方面的问题，实验表明该网络在两个真实数据集上表现出强大的个性化推荐能力和显著提高。

    Nov, 2017

  • 建模电商搜索中用户的上下文化页面反馈，用以预测点击率

    该论文提出了一种新的上下文感知用户行为建模思路，通过包含完整页面上暴露的产品和相应的反馈作为上下文的页面级反馈序列，可以捕捉到页面内上下文信息和页面间兴趣演化，以学习更具体的用户偏好。作者设计了一种采用页面上下文感知注意力的新型神经排序模型 RACP，使用递归注意过程来建模页面间的兴趣收敛演化，实验在公开数据集和真实工业数据集上验证了该模型的有效性。

    Mar, 2022