挖掘兴趣趋势并自适应分配样本权重用于基于会话的推荐
摘要：基于会话的推荐（SR）旨在根据用户在短时间内的行为预测他们的下一次点击，这对在线平台非常重要。然而，大多数现有的SR方法在某种程度上忽视了用户偏好与交互顺序并不一定强相关的事实。此外，它们还忽视了不同样本之间的重要性差异，这限制了模型的拟合性能。为了解决这些问题，我们提出了一种名为“挖掘兴趣趋势并自适应分配样本权重（MTAW）”的方法。具体而言，我们根据用户当前行为和所有以往行为，来建模用户的即时兴趣。同时，我们将即时兴趣进行差异化整合，以捕捉用户兴趣的变化趋势，从而进行更加个性化的推荐。此外，我们还设计了一种新颖的损失函数，根据当前时期的预测难度动态加权样本。对两个基准数据集的广泛实验结果证明了我们方法的有效性和优越性。
作者：Kai Ouyang, Xianghong Xu, Miaoxin Chen, Zuotong Xie, Hai-Tao Zheng, Shuangyong Song, Yu Zhao
论文ID：2306.11610
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-06-21