Adaptives Nutzermodellierung mit lang- und kurzfristigen Präferenzen für personalisierte Empfehlungen

Benutzermodellierung ist eine zentrale Aufgabe für Online-Empfehlungssysteme. In den letzten Jahrzehnten wurden kollaborative Filterung (CF)-Techniken intensiv erforscht, um die langfristigen Präferenzen von Nutzern zu modellieren. Kürzlich haben rekurrente neuronale Netze (RNN) erhebliche Vorteile bei der Modellierung kurzfristiger Nutzerpräferenzen gezeigt. Ein naheliegender Ansatz zur Verbesserung von Empfehlungssystemen besteht darin, sowohl langfristige als auch kurzfristige Modellierung zu kombinieren. Bisherige Ansätze vernachlässigten jedoch die Bedeutung einer dynamischen Integration dieser beiden Benutzermodellierungsparadigmen. Darüber hinaus sind Nutzerverhalten wesentlich komplexer als Sätze in der Sprachmodellierung oder Bilder in der visuellen Berechnung, weshalb die klassischen Strukturen von RNN, wie beispielsweise Long Short-Term Memory (LSTM), für eine bessere Benutzermodellierung weiterentwickelt werden müssen. In diesem Artikel verbessern wir die traditionelle RNN-Struktur durch die Einführung eines zeitbewussten Controllers und eines inhaltsbewussten Controllers, sodass kontextuelle Informationen effektiv berücksichtigt werden können, um den Zustandsübergang zu steuern. Darüber hinaus schlagen wir einen auf Aufmerksamkeit basierenden Rahmen vor, um die langfristigen und kurzfristigen Präferenzen von Nutzern zu kombinieren, wodurch die Nutzerrepräsentation adaptiv gemäß dem jeweiligen Kontext generiert werden kann. Wir führen umfangreiche Experimente sowohl auf öffentlichen als auch auf industriellen Datensätzen durch. Die Ergebnisse zeigen, dass unsere vorgeschlagene Methode mehrere state-of-the-art-Verfahren konsistent übertrifft.