MEANTIME：用多时间戳嵌入混合注意机制进行顺序推荐

Aug, 2020

MEANTIME：用多时间戳嵌入混合注意机制进行顺序推荐

MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation

Sung Min Cho, Eunhyeok Park, Sungjoo Yoo

TL;DR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。

Abstract

Recently, self-attention based models have achieved state-of-the-art performance in sequential recommendation task. Following the custom from language processing, most of these models rely on a simple positional

self-attention sequential recommendation temporal embeddings attention structure real-world data

发现论文，激发创造

Déjà vu: 基于上下文的时间关注机制用于序列推荐

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。

Jan, 2020

关注力混合模型的时间感知序列推荐

本文介绍了一种名为 MOJITO 的改进型 Transformer 序列推荐系统，它使用基于注意力机制的时间上下文和物品嵌入表示的高斯混合来进行序列建模。实验证明，该方法在多个现实世界数据集上优于现有的 Transformer 序列推荐方法。

Apr, 2023

神经机器翻译的时间注意模型

本文介绍了一种基于注意力机制的神经机器翻译模型，该模型通过暂时性存储对齐信息和调节注意力值的方法，提高了翻译效果，在两种语言对上的大规模实验中，该方法不仅超越了基线 NMT 模型，还比其他相关方法表现更出色，甚至有些情况下在不使用集成的情况下也能胜过 SMT 基准。

Aug, 2016

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

学习连续时间空间中的自修正关注力及在序列推荐中的应用

本研究提出了一种新型的自调节注意力网络来学习动态用户偏好，并在三个大规模真实数据集上实验表明，该模型可以实现最先进的顺序推荐性能。

Mar, 2022

语言模型的时间注意力

该研究提出了一种时间感知的自注意力机制 —— 时间注意力，用于任何基于变形器模型的预训练语言模型中，以捕捉上下文中的时间信息，并应用于语义变化检测任务，在三个不同语言的数据集上取得最先进的结果。

Feb, 2022

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

不规则采样时间序列的多时间注意力网络

本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

Jan, 2021

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

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