最近,推荐系统(RS)的递归神经网络(RNN)解决方案变得越来越流行。 洞察力在于,用户动作序列中存在一些固有的模式,并且事实证明,当对顺序数据进行建模时,RNN的表现非常出色。 在诸如语言建模之类的传统任务中,RNN解决方案通常仅考虑对象的顺序顺序,而没有间隔的概念。 但是,在RS中,用户动作之间的时间间隔对于捕获用户动作与传统RNN体系结构之间的关系非常重要,不利于对它们进行建模。 在本文中,我们提出了一个新的LSTM变体,即Time-LSTM,以对用户的顺序动作进行建模。 Time-LSTM为LSTM配备时间门,以对时间间隔进行建模。 这些时间门经过专门设计,因此与传统的RNN解决方案相比,Time-LSTM可以更好地捕捉用户的短期和长期利益,从而提高推荐性能。 对两个真实数据集的实验结果表明,使用Time-.LSTM推荐方法优于传统方法。
2022-02-26 17:42:29
294KB
研究论文
1