摘要
近年来，深度神经网络因其在捕捉和建模用户偏好方面的高效性，被广泛应用于推荐系统中。尤其在深度学习中的注意力机制，使推荐系统能够以自适应的方式融合多种特征。针对下一物品推荐任务，我们提出以下三点观察：（1）用户的序列行为记录在时间维度上呈现聚集性（“时间聚集”现象）；（2）用户的个性化偏好与该“时间聚集”现象密切相关（“个性化时间聚集”）；（3）用户短期兴趣在下一物品预测与推荐中起着关键作用。为此，本文提出一种新型的时间感知长短期注意力网络（Time-aware Long- and Short-term Attention Network, TLSAN），以有效应对上述观察。具体而言，TLSAN包含两个核心组件：首先，通过可学习的个性化时间位置嵌入（personalized time position embeddings），并结合长期行为中类别感知的相关性，建模“个性化时间聚集”特性，从而学习用户特定的时间偏好；其次，设计了长短期特征级注意力层，以高效捕捉用户在长期与短期层面的偏好，实现精准推荐。特别地，注意力机制使TLSAN能够自适应地利用用户偏好，而其在长短期模块中的应用显著提升了模型处理稀疏交互数据的能力。我们在多个不同领域（涵盖不同数据规模）的Amazon数据集上进行了大量实验，结果表明，TLSAN在捕捉用户偏好以及执行时间敏感的下一物品推荐任务方面，均显著优于当前最先进的基线方法。