采用时间信息的多行为序列推荐研究.pdfVIP

摘要

推荐系统帮助用户缓解信息过载带来的压力并满足用户的个性化需求，已广泛应用于各

行各业。目前推荐系统仍然存在以下挑战：（1）大多数方法忽略了用户和项目的动态变化，

没有充分利用交互的时间信息；（2）已有研究通常对用户和项目之间的单一交互行为数据进

行建模，未能充分利用多行为数据；（3）推荐系统的数据集往往存在数据稀疏、数据不平衡

以及数据噪声等问题。

针对上述问题，本文研究如何充分利用用户-项目交互类型的多样性和动态性以提升推

荐性能，主要进行了以下工作。

（1）利用用户和项目交互的时间信息和多行为数据，提出DyMBRec模型。首先将用户

的历史交互序列分为项目序列、时间序列和行为序列；然后结合绝对位置，分别通过时间感

知的自注意力模块和行为感知的自注意力模块进行权重计算，得到时间相关和行为相关的嵌

入表示；最后将两个嵌入表示以加权方式得到最终的用户偏好嵌入表示，并进行下一项推荐。

在两个真实的具有时间信息的多行为数据集上的实验表明，DyMBRec与相关的推荐模型相

比获得了更优的推荐性能。

（2）为了解决推荐中的数据稀疏和数据噪声问题，将对比学习引入多行为序列推荐，

提出CL-MBRec模型。首先使用基于时间间隔和项目相关性的数据增强方法对多行为序列数

据进行增强；然后通过多行为序列编码器生成序列嵌入表示，同时运用对比学习保持增强序

列与原始序列的高度相似性；接着用多任务训练优化多行为序列推荐的下一项预测目标和对

比学习目标；最后根据得到的用户交互序列嵌入表示进行下一项推荐。在两个真实的具有时

间信息的多行为数据集上的实验验证了CL-MBRec中多行为数据增强的有效性。

关键词：推荐系统，序列推荐，多行为推荐，动态推荐，对比学习

Abstract

Recommendationsystemshelpusersalleviatethepressureofinformationoverloadandmeettheir

personalizedneeds,andhavebeenwidelyappliedinvariousindustries.Atpresent,recommendation

systemsstillfacethefollowingchallenges:(1)Mostmethodsignorethedynamicchangesofusers

anditems,anddonotfullyutilizethetimeinformationofinteraction;(2)Previousstudieshave

typicallymodeledsingleinteractionbehaviordatabetweenusersanditems,failingtofullyutilize

multi-behaviordata;(3)Thedatasetofrecommendationsystemsoftensuffersfromissuessuchas

datasparsity,dataimbalance,anddatanoise.

Inresponsetotheaboveissues,thisarticleinvestigateshowtofullyutilizethediversityand

dynamismofuseranditeminteractiontypestoimproverecommendationperformance.Thefollowing

workwasmainlycarriedout.

(1)ProposetheDyMBRecmodelbyutilizingthetimeinformationandmulti-behaviordataof

useranditeminteractions.Firstly,theusershistoricalinteractionsequenceisdividedintoproject

sequence,timese