.png){kind=icon}
返回
Spatio-Temporal Intent Modeling for Sequential Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/TSC.2025.3620442.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
用户在推荐平台上的行为通常由不断演变的意图驱动。现有的序列推荐模型在捕捉这些意图方面存在两个主要局限性：对前缀序列与目标物品之间高阶关系的建模不足，以及缺乏有效机制来捕捉复杂的时序依赖关系。为解决这些挑战，我们提出了一种时空意图建模框架（STIRec），通过空间和时间维度增强推荐效果。我们的核心创新包括：(1) 一种多跳意图聚合机制，构建空间意图图以建模三种类型的关系（前缀-目标、前缀-前缀、目标-目标），通过图神经网络从全局视角捕捉共同意图模式；(2) 一种多跨度自注意力模块，融合长期和短期查询信息，以全面建模用户行为和跨时间维度的演变意图。这些互补机制协同工作，以更好地理解用户意图，整合全局上下文模式与时序演化动态。在五个公开数据集上的实验表明，STIRec在推荐准确率上平均超越现有最优方法9.78%，并对噪声数据表现出更强的鲁棒性。
Keyword:
Sequential recommendation
user intent modeling
self-attention mechanism
graph neural networks
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
分享收藏分享收藏S3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization
OAAI
OAAI分享收藏Group attention for collaborative filtering with sequential feedback and context aware attributes.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容