结合对比学习的细粒度长短期偏好序列推荐

摘要

序列推荐旨在利用用户长短期偏好进行项目推荐，但大部分序列推荐系统面临学习力不足、长短期偏好融合不充分等问题．针对上述问题，本文提出一种基于对比学习的细粒度长期与短期偏好序列推荐方法．1）针对长短期偏好融合不充分的问题，提出长短期偏好学习层和长短期偏好融合层．首先，将用户行为序列分割为多段时间会话，并利用门控循环单元提取每段会话中用户的短期偏好，然后通过多头注意力机制融合短期偏好序列捕获用户长期偏好.最后，依据时间跨度自适应融合长期与短期偏好，从而获得更具代表性和全面性的偏好表示．2）针对数据稀疏导致学习力不足的问题，设计一种偏好表示对比学习任务，引入代理用户偏好进行对比学习，以实现更加精确的偏好推荐．结果表明：与次优方法相比，模型在3个公共数据集的Hit@20指标分别提高了9.84%、6.40%、1.52%,MAP@20指标分别提高了22.64%、2.42%、6.42%，证明本文所提方法的有效性．

关键词

推荐系统 / 序列推荐 / 对比学习 / 自注意力机制 / 门控循环单元