摘要
用户建模是在线推荐系统中的一项关键任务。在过去的几十年中，协同过滤（Collaborative Filtering, CF）技术已被广泛研究，用于建模用户的长期偏好。近年来，循环神经网络（Recurrent Neural Networks, RNN）在捕捉用户短期偏好方面展现出显著优势。一种自然的提升推荐效果的方法是将长期与短期偏好建模相结合。然而，以往的方法往往忽视了动态融合这两种用户建模范式的重要性。此外，用户行为的复杂性远超语言建模中的句子或视觉计算中的图像，因此传统的RNN结构（如长短期记忆网络，Long Short-Term Memory, LSTM）需要进一步改进，以实现更精准的用户建模。本文通过提出一种时间感知控制器（time-aware controller）和一种内容感知控制器（content-aware controller），对传统RNN结构进行优化，使上下文信息能够有效参与控制状态转移过程。进一步地，我们设计了一种基于注意力机制的框架，用于融合用户的长期与短期偏好，从而能够根据具体上下文自适应地生成用户表示。我们在公开数据集和工业数据集上进行了大量实验，结果表明，所提出的模型在多个指标上 consistently 超越了多种现有先进方法，表现出优越的推荐性能。