TLSAN: Time-aware Long- and Short-term Attention Network für die nächste-Artikel-Empfehlung

In jüngster Zeit werden tiefe neuronale Netze aufgrund ihrer Wirksamkeit bei der Erfassung und Modellierung von Nutzerpräferenzen weithin in Empfehlungssystemen eingesetzt. Insbesondere ermöglicht die Aufmerksamkeitsmechanik im Bereich des Deep Learning, Empfehlungssysteme, verschiedene Merkmale adaptiv zu integrieren. Konkret ergeben sich für die Aufgabe der nächsten-Artikel-Empfehlung folgende drei Beobachtungen: 1) Nutzersequenzen bilden sich zeitlich an bestimmten Positionen konzentriert ab („Zeit-Aggregation“), 2) Nutzer verfügen über individuelle Vorlieben, die mit diesem Phänomen der „zeitlichen Aggregation“ verknüpft sind („personalisierte zeitliche Aggregation“), und 3) kurzfristige Interessen der Nutzer spielen eine entscheidende Rolle bei der Vorhersage und Empfehlung des nächsten Artikels. In diesem Artikel stellen wir ein neues Time-aware Long- and Short-term Attention Network (TLSAN) vor, um diese oben genannten Beobachtungen zu adressieren. TLSAN besteht aus zwei zentralen Komponenten: Erstens modelliert TLSAN die „personalisierte zeitliche Aggregation“ und lernt nutzerspezifische zeitliche Präferenzen durch lernbare, personalisierte Zeitpositionsembeddings mit kategorienbewussten Korrelationen in langfristigen Nutzerverhalten. Zweitens werden Feature-weise Aufmerksamkeitslayer für lang- und kurzfristige Merkmale vorgeschlagen, um die lang- und kurzfristigen Präferenzen der Nutzer effektiv zu erfassen und präzise Empfehlungen zu generieren. Insbesondere ermöglicht die Aufmerksamkeitsmechanik, dass TLSAN die Nutzerpräferenzen adaptiv nutzt, und deren Anwendung in den lang- und kurzfristigen Schichten verstärkt die Fähigkeit von TLSAN, mit spärlichen Interaktionsdaten umzugehen. Umfassende Experimente wurden auf Amazon-Datensätzen aus verschiedenen Bereichen (mit unterschiedlicher Größe) durchgeführt. Die Ergebnisse zeigen, dass TLSAN sowohl bei der Erfassung von Nutzerpräferenzen als auch bei der zeitabhängigen Empfehlung des nächsten Artikels gegenüber aktuellen State-of-the-Art-Verfahren überlegen ist.