SS4Rec: Continuous-Time Sequential Recommendation mit State Space Modellen

Sequentielle Empfehlung ist ein zentrales Gebiet im Bereich von Empfehlungssystemen, das darauf abzielt, die Nutzerinteressen basierend auf historischen Interaktionssequenzen mit unregelmäßigen Zeitintervallen zu modellieren. Obwohl bisherige Ansätze auf Basis rekurrenter neuronaler Netze und Aufmerksamkeitsmechanismen beachtliche Ergebnisse erzielt haben, weisen sie aufgrund ihrer diskreten Struktur Grenzen bei der Erfassung von Systemkontinuität auf. Im Kontext der kontinuierlichen Zeitmodellierung bietet der Zustandsraummodell (State Space Model, SSM) eine vielversprechende Lösung, da er die dynamische Entwicklung der Nutzerinteressen über die Zeit effektiv erfassen kann. Allerdings ignorieren bestehende SSM-basierte Ansätze die Auswirkungen unregelmäßiger Zeitintervalle innerhalb historischer Nutzerinteraktionen, was die Modellierung komplexer Nutzer-Item-Übergänge in Sequenzen erschwert. Um dieses Problem zu lösen, schlagen wir ein hybrides SSM-basiertes Modell namens SS4Rec für die kontinuierliche sequentielle Empfehlung vor. SS4Rec integriert einen zeitbewussten SSM zur Behandlung unregelmäßiger Zeitintervalle und einen relationsbewussten SSM zur Modellierung kontextueller Abhängigkeiten, wodurch es in der Lage ist, Nutzerinteressen sowohl aus zeitlicher als auch aus sequenzieller Perspektive abzuleiten. Im Trainingsprozess werden der zeitbewusste SSM und der relationsbewusste SSM jeweils mit variablen Schrittweiten diskretisiert, entsprechend den Interaktionsintervallen der Nutzer und den Eingabedaten. Dies ermöglicht die Erfassung kontinuierlicher Abhängigkeiten aus unregelmäßigen Zeitintervallen und liefert zeitlich spezifische, personalisierte Empfehlungen. Experimentelle Studien an fünf Benchmark-Datensätzen belegen die Überlegenheit und Wirksamkeit von SS4Rec.