针对现有推荐模型忽略用户兴趣的动态变化,导致推荐精度较低等问题,提出一个基于用户行为的长短期序列推荐模型(long and short term sequence recommendation model based on user behavior,UBLSR)。在序列信息挖掘部分设计一种多路空洞卷积网络,将网络扩展成多通路结构挖掘复杂的用户行为特征;将短期时间窗口内的序列行为和目标物品进行关联,通过自注意力网络动态地对用户短期兴趣进行建模;设计一种邻居用户表示方案,借助注意力机制关注邻域内有影响力的用户子集,对用户长期兴趣进行建模;将短期兴趣建模和长期兴趣建模的结果联合进行推荐预测。UBLSR模型在Gowalla、Movielens-1M两个数据集上进行实验,其结果表明,该模型优于其它基准模型,达到较为突出的性能。
针对现有序列推荐模型忽略了不同用户的个性化行为,导致模型不能充分捕获用户动态偏好而产生的兴趣漂移等问题,提出了一种基于用户长短期偏好的序列推荐模型(Sequential Recommendation Model Based on User’s Long and Short Term Preference,ULSP-SRM)。首先,根据用户的序列中交互物品的类别和时间信息生成用户的动态类别嵌入,进而有效建立物品之间的关联性,并且降低数据的稀疏性;其次,根据用户当前点击物品和最后一项点击的时间间隔信息生成个性化时序位置嵌入矩阵,模拟用户的个性化聚集现象,以更好地反映用户偏好的动态变化;然后,将融合了个性化时序位置嵌入矩阵的用户长期偏好序列以会话为单位输入门控循环单元中,生成用户的长期偏好表示,并通过注意力机制将用户长短期偏好进行融合,生成用户的最终偏好表示,从而达到充分捕获用户偏好的目的;最后,将用户最终偏好表示输入推荐预测层进行下一项推荐预测。在Amazon公开数据集的7个子集上进行实验,采用AUC(Area Under Curve)值、召回率和精确率指标进行综合评估,实验结果表明,所提模型的表现优于其他先进基准模型,有效地提升了推荐性能。