自监督短期兴趣特征增强的短视频推荐方法研究

摘要

现有短视频推荐方法存在用户短期兴趣表示和短期兴趣代理提取不完全，导致长短期兴趣解纠缠不充分的问题。提出了一种自监督短期兴趣特征增强的短视频推荐模型(short video recommendation model based on self-supervised short-term interest feature enhancement, SSER)。该模型采用自监督的对比学习方法对用户长短期兴趣进行解纠缠，针对短期兴趣表示提取不完全的问题，提出采用扩展循环神经网络(dilated RNN)从非线性的用户交互序列中有效捕捉用户短期兴趣表示；针对短期兴趣代理提取不完全的问题，提出一种多头自注意力机制的短期兴趣代理增强方式，该方式首先使用自注意力机制对短期交互序列嵌入数据进行噪声消除，随后融合从用户序列中提取的短期兴趣普遍特征和突出特征形成融合向量，采用多头自注意力机制从融合向量中提取短期兴趣代理，从而有效增强短期兴趣代理的提取。在KuaiRec短视频数据集上进行了多项实验，结果表明该模型在多个评价指标上优于其他主流方法。

关键词

自监督对比学习 / 短期兴趣特征增强 / 短视频推荐 / 扩展循环神经网络 / 多头自注意力机制