基于自注意力机制的面向重复消费场景的序列化推荐算法

为提升序列化推荐模型在重复消费场景中的性能,增强推荐算法对于时间的敏感程度,减轻信息过载带来的负面影响,文中提出了基于自注意力机制的面向重复消费场景的序列化推荐算法SLSASRec。文中着重对重复消费场景中的时间间隔进行研究,对于用户的历史消费时间采用自注意力机制建模,在霍克斯过程中设计特定的时间核函数用以捕获用户的长期与短期偏好,同时在基础强度获取部分使用基线模型SASRec获得个性化建模。通过实验分析,在公共数据集Grocery and Gourmet Food的HR和NDCG指标上较对比的基线算法SASRec分别提升5.19%和5.02%,证明了算法可以有效预测用户的重复消费行为。