.png){kind=icon}
返回
A multi-factor decoupling repeat aware network for session-based recommendation
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-026-02353-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于会话的推荐（SBR）是一项具有挑战性的任务，涉及预测用户在短暂且匿名的浏览会话中的交互行为。一种常见的用户行为是重复消费，即用户在一段时间内多次点击同一项目，这为洞察用户的消费意图提供了线索。现实会话中的用户-项目交互受到多种因素影响，如时间流逝和兴趣匹配。当前的SBR方法通过重复消费来识别用户对旧（已访问）和新（未访问）项目的消费倾向，但它们未能探索影响交互的多样化潜在因素，并且存在数据稀疏性问题。为解决这些挑战，本文提出了一种基于多因素解耦的重复感知网络用于基于会话的推荐，命名为MFDReNet。该网络将多因素解耦模块和对比学习模块整合到重复-探索意图机制中。前者学习用户行为的多重潜在因素以捕捉复杂的用户偏好，后者构建不同的自监督信号以增强会话序列，从而提升训练效果。重复-探索意图机制使模型能够分别考虑旧和新项目的推荐，优化用户行为模式并增强推荐性能。在Diginetica、Nowplaying和Gowalla三个基准数据集上进行的大量实验证明了我们模型的有效性和优越性。
Keyword:
Session-based recommendation
Repeat-aware neural network
Representation learning
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
Group attention for collaborative filtering with sequential feedback and context aware attributes.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions推荐系统的图神经网络综述: 挑战、方法和方向
OAAI
OAAI分享收藏 没有更多内容
没有更多内容