بالإضافة إلى التعلم من العنصر التالي: التوصية التسلسلية من خلال الاستدامة الشخصية للاهتمام

أظهرت أنظمة التوصية التسلسلية توصيات فعّالة من خلال التقاط التغيرات في اهتمام المستخدمين. وقد تم التمييز بين نوعين رئيسيين من النماذج التسلسلية الحالية: النماذج المركزية حول المستخدم، والنموذج المركزية حول العنصر. تلتقط النماذج المركزية حول المستخدم التغيرات الشخصية في الاهتمام بناءً على تاريخ الاستهلاك التسلسلي لكل مستخدم، لكنها لا تأخذ بعين الاعتبار بشكل صريح ما إذا كان اهتمام المستخدم بالعناصر يستمر بعد فترة التدريب، أي ما يُعرف بـ"استدامة الاهتمام". من ناحية أخرى، تأخذ النماذج المركزية حول العنصر بعين الاعتبار ما إذا كان الاهتمام العام للمستخدمين يستمر بعد فترة التدريب، لكنها ليست مخصصة بشكل شخصي. في هذا العمل، نقترح نظام توصية يجمع بين مزايا النماذج في كلا الفئتين. يلتقط النموذج المقترح استدامة الاهتمام الشخصية، مما يشير إلى ما إذا كان اهتمام كل مستخدم بالعناصر سيستمر بعد فترة التدريب أم لا. نبدأ بتحديد مهمة تتطلب التنبؤ بالعناصر التي سيستهلكها كل مستخدم في الفترة القريبة من فترة التدريب بناءً على تاريخ استهلاك المستخدم. ثم نقترح أساليب بسيطة وفعّالة لتعزيز تاريخ الاستهلاك النادر للمستخدمين. أظهرت التجارب الواسعة أن النموذج المقترح يتفوق على 10 نماذج أساسية على 11 مجموعة بيانات واقعية. يمكن الوصول إلى الكود من خلال الرابط: https://github.com/dmhyun/PERIS.