Sequential Recommender via Time-aware Attentive Memory Network CIKM 2020

tf的代码
文章解决的是召回的问题
共分为：召回，精排，重排。

摘要

推荐系统旨在帮助用户从不断增长的项目语料库中发现最喜欢的内容。尽管深度学习使推荐器有了很大的进步，但它们仍然面临着一些挑战：(1)行为比句子中的单词复杂得多，因此传统的注意力和递归模型在捕捉用户偏好的时间动态方面存在局限性。(2)用户偏好具有多样性和渐进性，很难将长期记忆和短期意图结合起来。

在本文中，我们提出了一种时间门控方法来改进注意机制和循环单元，以便在信息过滤和状态转换中都能考虑时间信息。此外，我们还提出了一种混合序贯推荐器，称为多跳时间感知注意记忆网络(MTAM)，以整合长期和短期偏好。我们使用所提出的时间感知GRU网络来学习短期意图，并在用户记忆中保持先前的记录。我们将短期意图视为一个查询，并通过提出的时间感知注意力设计多跳记忆读取操作，以基于当前意图和长期记忆生成用户表征。我们的方法对于候选检索任务是可扩展的，并且可以看作是基于点积的Top-K推荐的潜在因子分解的非线性推广。最后，我们在六个基准数据集上进行了大量的实验，实验结果证明了我们的MTAM和时间门控方法的有效性。

问题

直觉上，短时间间隔内的两个行为往往比长时间间隔内的两个行为更相关。因此，需要对递归和注意网络的经典结构进行升级，以便更好地对序列数据的时间动态进行建模。注意力机制没有关注时间信息

为了克服神经网络的上述局限性，我们提出了一种新的时间门控方法，利用用户建模任务中交互之间的时间感知距离来升级注意机制和递归单元。受LSTM和GRU中门控机制的启发，我们引入了一个时间控制器来将两个交互之间的时间距离编码到一个门中。在此基础上，我们提出了一种新的时间感知注意机制，即通过在时间门上配置可缩放的点积注意。当计