摘要：在以往提取多兴趣嵌入的序列推荐模型中仅能通过聚类的方法发现少量兴趣概念,忽视项目交互序列中特征级信息对最终推荐结果的影响。针对此问题,对传统的多兴趣序列推荐模型进行改进,提出一种融合项目特征级信息的稀疏兴趣网络序列推荐模型。实验结果表明,相比其它模型,该模型可以更好捕捉用户的多样化偏好并缓解冷启动问题。在给定数据集上,该模型比传统的序列推荐模型在命中率上平均提高了6.4%,归一化折损累计增益平均提高了8.7%。

摘要：针对基于自注意力机制的序列推荐模型的数据稀疏问题和融合项目辅助信息导致的信息过载问题,提出融合项目类别信息的非侵入式嵌入序列推荐模型(NIESR)。通过融合项目类别信息辅助自注意力机制计算项目相似度,缓解数据稀疏问题;将不同种类的输入分别用一个自注意力机制提取特征,将每个注意力分数矩阵分别与项目序列的嵌入表征点积后拼接,缓解信息过载问题。在3个公开数据集上验证了所提模型的有效性,评估指标平均提高4.5%,最高提升13.3%。