Jenseits des Lernens aus dem nächsten Element: Sequenzielle Empfehlung durch personalisierte Interessensdauerhaftigkeit

Sequentielle Empfehlungssysteme haben sich durch die Erfassung der Interessenverschiebung der Nutzer als effektiv erwiesen. Bisher existieren zwei Hauptgruppen sequentieller Modelle: nutzerzentrierte und itemzentrierte Modelle. Nutzerzentrierte Modelle erfassen die personalisierte Interessenverschiebung basierend auf der sequenziellen Konsumgeschichte jedes einzelnen Nutzers, berücksichtigen jedoch nicht explizit, ob die Interessen der Nutzer gegenüber bestimmten Artikeln über die Trainingszeit hinaus anhalten, also die Interessenstabilität. Im Gegensatz dazu berücksichtigen itemzentrierte Modelle, ob die allgemeinen Interessen der Nutzer nach dem Trainingszeitraum anhalten, sind jedoch nicht personalisiert. In dieser Arbeit schlagen wir ein Empfehlungssystem vor, das die Vorzüge beider Modellkategorien nutzt. Unser vorgeschlagenes Modell erfasst die personalisierte Interessenstabilität, d. h., es prognostiziert, ob das Interesse eines jeden Nutzers an Artikeln über die Trainingszeit hinaus anhalten wird oder nicht. Zunächst formulieren wir eine Aufgabe, die darin besteht, basierend auf der Konsumgeschichte der Nutzer vorherzusagen, welche Artikel diese in der jüngsten Periode des Trainingszeitraums konsumieren werden. Anschließend schlagen wir einfache, jedoch wirksame Ansätze vor, um die spärlichen Konsumgeschichten der Nutzer zu erweitern. Umfangreiche Experimente zeigen, dass das vorgeschlagene Modell zehn Baseline-Modelle auf elf realen Datensätzen übertrifft. Der Quellcode ist unter https://github.com/dmhyun/PERIS verfügbar.