融合时间上下文信息的序列推荐系统框架

摘要

序列推荐相对于协同过滤方法在考虑用户行为顺序和个性化推荐等方面具有明显优势.然而现有的大多数序列推荐模型着重关注用户历史行为间的关系，忽略了用户兴趣随时间的演化特征，对此，本文提出了一种融合时间上下文信息的序列推荐通用学习框架.该框架将Tucker分解技术与注意力机制相融合，为每个用户行为分配适当的注意力权重，使模型关注对当前推荐任务更重要的时间上下文信息.此外，使用了分布鲁棒性损失函数来解决训练数据与测试数据之间可能存在的分布漂移问题.3个公开数据集上的实验结果表明，本文框架适用于不同的序列推荐模型并能提升推荐性能.

关键词

推荐系统 / 序列推荐 / 时间上下文信息 / Tucker分解 / 分布漂移