时间感知的双塔型自注意力序列推荐模型

• Published in: 计算机科学与探索 Vol. 18; no. 1; pp. 175 - 188
• Main Authors: 余文婷, 吴云
• Format: Journal Article
• Language: Chinese
• Published: 贵州大学 计算机科学与技术学院,贵阳 550025 2024; 贵州大学 公共大数据国家重点实验室,贵阳 550025
• Subjects: 特征级自注意力机制; 时间感知序列推荐; dual-tower self-attention; 位置嵌入; 双塔自注意力网络; positional embedding; time-aware sequential recommendation; feature-level self-attention
• ISSN: 1673-9418
• DOI: 10.3778/j.issn.1673-9418.2211022

TP311; 用户的偏好具有聚合性和漂移性.现有推荐算法在序列建模框架中融合了交互时间相关性的建模,取得了很大的性能改善,但它们在建模时仅考虑了交互的时间间隔,使得它们在捕捉用户偏好的时间动态方面存在局限性.首先,提出了一种新的时间感知的位置嵌入方法,将时间信息与位置嵌入相结合,帮助模型学习时间层面的项目相关性.随后,在时间感知位置嵌入基础上,提出了时间感知的双塔自注意力序列推荐模型(TiDSA).TiDSA包含项目级和特征级的自注意力模块,分别从项目和特征两个角度对用户偏好随时间变化的过程进行分析,实现了对时间、项目和特征的统一建模,并且在特征级自注意力模块,设计了多维度的自注意力权重计算方式,从特征维度、项目维度和项目与特征交叉维度充分学习特征之间的相关性.最后,TiDSA将项目级与特征级的信息相融合得到最终的用户偏好表示,并根据该表示为用户提供可靠的推荐结果.四个真实推荐数据集的实验结果表明,TiDSA的性能优于许多先进的基线模型.