融合时间信息的序列商品推荐模型

针对基于序列的推荐方法通常忽略用户的多种兴趣倾向,并且不能很好地获取用户在短期序列中的兴趣变化,从而导致推荐结果多样性不足的问题,提出了一种融合时间信息的序列商品推荐模型。首先,将用户的历史交互行为区分为短期序列与长期序列,分别采取不同的方法进行建模。对于短期序列,在传统的门控循环单元(GRU)结构中加入时间门,单独处理序列中的时间信息,同时利用多头自注意力机制捕获用户在同一会话中不同的兴趣方向;对于长期序列,采用DeepFM模型进行建模。最后,利用自适应的门控结构融合用户的长短期兴趣,并根据得到的兴趣向量计算商品的得分,排序后进行推荐。在淘宝数据集上的对比实验表明,该模型相较于主流的协同过滤模型,基于RNN、DNN的推荐模型以及BINN模型在命中率、平均倒数排名两个指标上都具有显著优势。