.png){kind=icon}
返回
Multi-session transformers and multi-attribute integration of items for sequential recommendation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127266.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
建模序列依赖关系在模拟用户兴趣的动态变化中起着重要作用，而深度学习的引入可以在一定程度上处理长序列数据，从而更精确地捕捉这些变化。然而，大多数现有模型在训练交互信息不足或过长的序列时仍存在困难，并且无法捕捉由交互行为反映的用户真实意图。此外，它们忽视了用户交互物品并非严格有序且在一定时期内高度同质化，而不同时期的物品可能高度异质化的特征。在本文中，我们提出了一种基于多会话Transformer和物品多属性融合的序列推荐模型（MTMISRec），该模型通过融合物品属性与用户历史交互序列来丰富稀疏数据的缺失交互信息，并在相似交互下区分用户的真实意图。此外，我们设置时间阈值，将交互间隔在此阈值内的物品划分为一个会话，从而捕捉每个会话内的同质关系。我们采用双重注意力机制，在每个会话内执行局部注意力，并将学习到的各会话类型权重引入完整交互序列以执行全局注意力，从而模糊会话内的序列关系，并整合全局相关性及局部细节，以精确处理过长的序列。我们在四个数据集上进行了大量实验，结果表明MTMISRec在稀疏和密集数据集上均超越了先进的序列模型。
Keyword:
Sequential recommendation
Multi-attribute integration of items
Local homogeneity
Global heterogeneity
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏Collaboration and Transition: Distilling Item Transitions into Multi-Query Self-Attention for Sequential Recommendation协作与过渡：将项目过渡提炼到多查询自注意力中用于序列推荐
OAAI
OAAI分享收藏
查看更多内容