TLSAN : Réseau d'attention à long et court terme conscient du temps pour la recommandation du prochain élément

Récemment, les réseaux de neurones profonds sont largement utilisés dans les systèmes de recommandation en raison de leur efficacité à capturer et modéliser les préférences des utilisateurs. En particulier, le mécanisme d’attention en apprentissage profond permet aux systèmes de recommandation d’intégrer diverses caractéristiques de manière adaptative. Plus précisément, concernant la tâche de recommandation du prochain élément, nous observons les trois points suivants : 1) les historiques de comportement séquentiel des utilisateurs s’agrègent à des positions temporelles spécifiques (« time-aggregation »), 2) les goûts personnalisés des utilisateurs sont corrélés au phénomène d’agrégation temporelle (« personalized time-aggregation »), et 3) les intérêts à court terme des utilisateurs jouent un rôle crucial dans la prédiction ou la recommandation du prochain élément. Dans cet article, nous proposons un nouveau modèle, le Time-aware Long- and Short-term Attention Network (TLSAN), conçu pour traiter ces observations. Le TLSAN se compose de deux composants principaux. Premièrement, il modélise la notion de « personalized time-aggregation » et apprend les goûts temporels spécifiques à chaque utilisateur grâce à des embeddings temporels personnalisés, ajustables, intégrant des corrélations sensibles aux catégories dans les comportements à long terme. Deuxièmement, nous introduisons des couches d’attention sur les caractéristiques à la fois à long et à court terme, permettant une capture efficace des préférences à long et à court terme pour une recommandation précise. En particulier, le mécanisme d’attention permet au TLSAN d’exploiter les préférences des utilisateurs de manière adaptative, et son application dans les couches à long et à court terme renforce significativement la capacité du modèle à gérer les données d’interactions rares. Des expériences étendues ont été menées sur des jeux de données Amazon provenant de différents domaines (et de tailles variées), et les résultats montrent que le TLSAN surpasser les méthodes de pointe dans la capture des préférences des utilisateurs ainsi que dans la recommandation du prochain élément sensible au temps.