摘要
序列推荐系统通过捕捉用户兴趣的动态演变，已展现出有效的推荐性能。现有的序列模型主要可分为两类：以用户为中心的模型和以物品为中心的模型。以用户为中心的模型基于每个用户的序列消费历史，捕捉个性化的兴趣漂移，但未显式考虑用户对特定物品的兴趣是否能在训练期之后持续，即缺乏对兴趣可持续性的建模。相反，以物品为中心的模型虽能评估用户对物品的普遍兴趣在训练期后是否持续，但缺乏个性化表达。针对这一问题，本文提出一种融合两类模型优势的推荐系统，能够捕捉个性化的兴趣可持续性，即判断每位用户对特定物品的兴趣是否会在训练期结束后持续。我们首先构建了一个预测任务：基于用户的消费历史，预测其在训练期内近期将消费的物品。随后，提出简单而有效的方案，对用户稀疏的消费历史进行增强。大量实验结果表明，所提出的模型在11个真实世界数据集上均优于10种基线模型。相关代码已开源，地址为：https://github.com/dmhyun/PERIS。