摘要：序列推荐任务根据用户与项目的交互记录动态建模用户兴趣,并进行项目推荐.序列推荐模型通常将用户行为视为兴趣进行建模,仅考虑用户行为的顺序,忽略用户行为之间的时间间隔信息.文中将行为序列的时间间隔信息作为预测用户行为的重要因素,提出基于时间卷积注意力神经网络的序列推荐模型.在词嵌入层中引入序列位置信息和时间间隔信息,并设计时间卷积网络对位置信息进行建模,获取用户的长期偏好特征.使用双层自注意力机制对用户短期行为序列中项目之间的关联进行建模,并融合时间间隔信息获取用户短期兴趣特征.最后,通过预训练引入训练数据的全局信息,提升模型推荐性能.在Amazon等数据集上的实验表明,文中模型可有效提升推荐性能.

摘要：为缓解传统电子产品价值评估方式高度依赖专业人员的干预,需要频繁更新评估算法,人工工作量过大的问题,提出基于属性分类建模的电子产品价值评估方法。通过将产品属性进行分类,分别建模产品属性与价值评估结果的映射关系,引入时间信息来增强预测结果的时效性,采用一种缓解数据驱动模型冷启动问题的方法,获得更加精准的价值评估结果。通过在真实的手机回收订单数据集上进行的实验,验证了该模型在减少人工干预的同时取得了较高的电子产品价值评估精度。