融合多种时间模式的序列推荐.pdf

融合多种时间模式的序列推荐

摘要

推荐系统在解决信息过载问题上扮演着至关重要的角色，并已广泛应用于各大领

域，取得了巨大的成功。在各种各样的推荐系统中，因为序列推荐可以捕获用户交互记

录的序列信息，所以成为当前的研究热点。

由于推荐系统中存在数据稀疏性的问题，想要获得更好的推荐性能，仅仅依靠交互

数据是有限的。为了更准确地捕获用户的动态偏好，研究者开始探索时间信息来提高推

荐性能。对此，本文系统性地研究了时间信息在序列推荐中的使用情况，并确定了三种

123

重要的时间模式：（）绝对时间；（）相对物品时间间隔；（）相对推荐时间间隔。

虽然现有的工作取得了很大进展，但是仍然存在一些问题：现有工作只考虑单一的时间

模式，忽略了融合多方面时间信息的重要性；现有工作忽略了物品和绝对时间有一定的

内在联系；现有工作忽略了相对物品时间间隔和相对推荐时间间隔之间的关系。

Holistic

针对上述问题，本文提出了一个融合多种时间模式的序列推荐模型（

TemporalPatterns,HTPHTP

）。模型创新性融合多种对推荐有用的时间信息，并且提出

了以物品驱动的绝对时间模式，同时建模了相对物品时间间隔和相对推荐时间间隔之间

的关系。该模型包含三个主要的部分，每一个部分在不同时间粒度下（如月、日和周等）

去处理对应的时间信息。首先，绝对时间模块通过全局数据驱动的方式学习每个物品对

应的绝对时间模式。然后，物品时间间隔模块利用物品之间的时间间隔信息来捕获物品

之间的关系，并且建立物品的时间间隔模式。最后，将推荐时间间隔和物品的时间间隔

模式进行对齐，用来处理相对物品时间间隔和相对推荐时间间隔之间的关系。

针对HTP模型中数据稀疏性和时间编码的缺陷，本文提出了全局物品时间间隔的

GlobalItemIntervalGTI

序列推荐模型（，）。该模型通过挖掘全局物品时间间隔模式来

解决稀疏性问题；引入连续时间编码技术来表示时间间隔信息，进一步解决时间编码缺

陷的问题。因此，GTI模型不仅解决了HTP模型存在的缺陷，而且解决了时间信息在

推荐系统中现有方法的不足。

与基准方法相比，模型融合了多种时间模式的优势，大幅度提升推荐性能。在三个

HR@10NDCG@10AUC

公开数据集上的实验表明，、和性能指标均优于基准模型，验

证了模型的优越性。

关键词：推荐系统；时间信息；连续时间编码；

融合多种时间模式的序列推荐

Abstract

Recommendersystemshaveplayedasignificantroleinaddressingtheproblemof

informationoverload,andtheyhavebeenwidelyappliedacrossvariousdomains,achieving

considerablesuccess.Amongthediverserangeofrecommendersystems,thesequential

recommendationhasbecomeaprominentresearchfocusduetoitsabilitytoleveragethe

sequentialinformationofuser-historicalinteractions.

Duetotheissueofdatasparsi