摘要
负样本对协同过滤推荐任务影响巨大,高质量的负样本能帮助模型精准描述用户画像。针对现存的假负样本及计算量大的问题,基于难负样本的思想提出一种混合动态负采样模型。首先,通过动态负采样方法和服务推荐模型确定每个用户的负样本范围与序列;其次为每个用户快速采样到大量的难负样本候选项;再次,使用混合思想将采样到的负样本集合装配成一个难负样本,扩大感知域和融入的信息量;最后,引入一种注意力机制指导负样本的融合,以此提升系统稳定性。在Alibaba、Yelp2018和Amazon公开数据集上与基线模型进行的比较实验表明,所提模型在多个评价指标下均优于现有基线模型,证明了模型的有效性。