融合用户兴趣边界与可学习滤波器的序列化推荐模型

摘要

用户交互序列不可避免的含有多种噪声，传统模型在对用户交互序列信息进行处理时常因忽略噪声问题导致用户交互序列特征提取不充分，可能导致算法难以把握用户兴趣范围，且现有推荐算法损失函数难以获取用户兴趣边界以平衡正负样本.针对以上问题，本文提出了融合用户兴趣边界与可学习滤波器的序列化推荐模型，并使用自注意力机制提取用户交互序列特征；以用户兴趣边界充分获取用户兴趣范围，采用融合用户兴趣边界的混合损失函数，以此来缓解正负样本不平衡的问题，达到优化算法的目标.实验表明，模型较好地过滤用户序列噪声，增强注意力机制的特征提取效果，缓解正负样本不平衡的问题，通过调节正负样本得分使得模型的通用性更高.

关键词

可学习滤波器 / 序列化推荐 / 兴趣边界 / 自注意力