近日,数计学院冯海林教授团队在人工智能顶级期刊《IEEE Transactions on Neural Networks and Learning Systems 》(中科院1区Top期刊, IF=10.451)发表了题为“Dynamic and Static Representation Learning Network for Recommendation”的论文。该研究构建了动态和静态表征学习网络,从用户评论文本、用户-商品历史交互行为序列中挖掘用户动态兴趣和静态偏好、商品属性动态吸引性特征和内在属性特征,在此基础上构建自适应融合的推荐策略,显著提升了推荐的准确性。
评论作为用户购买商品后的反馈,蕴含用户对所购买商品的真实偏好,从评论中挖掘用户的观点信息有助于提高推荐系统的推荐精度,提升用户满意度。现有的基于用户评论的推荐方法通常以静态方式获得用户偏好表征和商品属性表征,忽略了用户与项目交互历史中隐藏的时间信号和行为模式,无法捕捉用户兴趣的动态进化性和商品的动态吸引性。为此,论文提出了动态和静态表征学习网络(DSRLN)提升推荐预测的准确度。从用户短期交互序列的即时性和评论的静态性两方面来看,定义动态和静态特征在描述用户的短期和长期偏好之外,同时关注了商品的热点和固有属性特征。其次,基于注意力机制来构建模型,利用自注意力机制关注短期交互序列中物品的内在关系,应用多头注意机制来逐条处理评论文本信息,避免了特征强度信息的丢失,同时又保持语义一致性。最后,该论文提出了一个统一短期序列数据和文本信息的神经网络框架,其中自适应的融合用户短期和长期偏好所占的注意力权重,为用户实现“千人千面”建模。
IEEE Transactions on Neural Networks and Learning Systems为中科院大类一区TOP期刊,CiteScore排名计算机科学大类计算机网络与通信子类所有期刊3/334,以及人工智能子类所有期刊5/227,2020年影响因子10.451。
原文链接:https://ieeexplore.ieee.org/document/9786742
(数学与计算机科学学院)