摘要
用户-项目交互的时间顺序是许多推荐系统中的关键特征，其中用户未来可能交互的项目在很大程度上取决于他们最近访问过的项目。然而，随着用户和项目的数量急剧增加，序列推荐系统仍然面临几个具有挑战性的问题：（1）从稀疏的隐式反馈中建模用户的长期兴趣难度较大；（2）在用户刚刚访问过几个项目的情况下，捕捉用户的短期兴趣也存在困难。为了解决这些挑战，我们提出了一种层次门控网络（Hierarchical Gating Network, HGN），并与贝叶斯个性化排序（Bayesian Personalized Ranking, BPR）相结合，以捕捉用户的长期和短期兴趣。我们的HGN包括一个特征门控模块、一个实例门控模块和一个项目-项目乘积模块。具体而言，我们的特征门控和实例门控模块分别从特征层面和实例层面对哪些项目特征可以传递到下游层进行选择。我们的项目-项目乘积模块显式地捕捉了用户过去访问的项目与未来可能访问的项目之间的关系。我们在五个真实世界的数据集上对模型进行了广泛的评估，并使用了几种最先进的方法和不同的验证指标。实验结果表明，我们的模型在Top-N序列推荐任务中具有有效性。