时间间隔感知的自注意力序列化推荐方法-CSDN博客

本文链接：https://blog.csdn.net/weixin_44289754/article/details/115107347

本文介绍了TiSASRec模型，该模型在序列推荐中引入时间间隔感知，不仅考虑物品的绝对位置，还考虑了序列中物品间的时间间隔。通过对时间间隔的建模，TiSASRec解决了传统模型忽视时间戳的问题，提高了推荐的准确性。模型由个性化时间间隔处理、嵌入层、时间感知自注意力块和预测层组成，旨在捕捉序列模式并探索时间间隔对推荐的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

嘿，记得给“机器学习与推荐算法”添加星标

序列化推荐系统通过探索用户的交互顺序，以此基于他们最近所做过的事情的上下文预测他们的下一个动作。之前有马尔可夫链以及循环神经网络RNN和Self Attention可以解决类似的问题。

但是大多数序列化推荐模型都有一个简化的假设，即这些模型都将交互历史视为一个有顺序的序列，没有考虑这个序列中交互物品之间的时间间隔（即只是建模了时间顺序没有考虑实际上的时间戳）。

本文提出的模型叫TiSASRec (Time Interval Aware Self-Attention for Sequential Recommendation), 不仅考虑物品的绝对位置,还考虑序列中物品之间的时间间隔。

研究对象

对于一篇论文，最重要的是去理解为什么文章使用了这个方法，有什么意义或作用。以下是我自己的理解：

1.首先这个文章定位是在self-attention机制上。得说清楚self-attention的研究的对象和解决的问题。

说self-attention一定要谈到SASRec[1]这个文章，该文章是2018年发表在ICDM会议上的论文，主要是针对的是召回的工作，提出SASRec序列推荐模型。作者受到Transformer启发，采用自注意力机制来对用户的历史行为信息建模，提取更为有价值的信息。最后将得到的信息分别与所有的物品embedding内容做内积，根据相关性的大小排序、筛选，得到Top-k个推荐。

Self-attention的意义：对于下一次的物品推荐，依赖于用户行为序列的各个物品的权重是不同的，这与“推荐场景有关”（context上下文），因为当用户物品交互较少时：在一个稀疏数据集下，用户行为较少，行为相隔时间可能相差几天，甚至几个月，那么“此时相近时间的历史物品信息表现得更为重要”；相反，当用户物品交互频繁时：在一个密集型数据集下，用户行为多，例如在电商场景下，那么“相近的物品信息就不是非常重要”。例如，对于某个用户，他在电商场景的一个Session中，行为是：手机--电脑--衣服---鼠标---裤子，那下一个用户感兴趣的是电子产品、服装都有可能，上述历史行为都很重要。即，不同环境下（数据集），模型的self-attention机制关注的重点是不同的(这就是这个图的目的)。