یک مدل عصبی خودتوجه آگاه به موقعیت برای توصیه مبتنی بر جلسه شخصی سازی شده

سیستم های توصیه مبتنی بر جلسه شخصی سازی شده، کلیک یا تعامل بعدی کاربر را بر اساس تعاملات قبلی کاربر در جلسه فعلی و جلسات تاریخی پیش بینی می کنند. مطالعات اخیر، بر روی شبکه های خودتوجه (SAN) برای بدست آوردن علایق کلی کاربران متمرکز شده اند. شبکه های خودتوجه با مدل کردن وابستگی های کلی بین تعاملات جلسه، توانایی بالایی در توصیه مبتنی بر جلسه، در مقایسه با دیگر رویکردهای شبکه های عمیق از خود نشان داده اند. اما این شبکه ها موقعیت و ترتیب اقلام در جلسه را در نظر نمی گیرند. درحالی که اطلاعات متوالی اقلام جلسه می تواند علایق ترتیبی کاربران را منعکس کند. در این مقاله، یک مدل عصبی خودتوجه آگاه به موقعیت (PASAN) برای توصیه مبتنی-بر جلسه شخصی سازی شده پیشنهاد می شود. این رویکرد، به منظور درنظرگرفتن ترتیب توالی جلسات، از یک مکانیزم رمزگذاری موقعیت معکوس برای اختصاص دادن یک تعبیه موقعیت به اقلام، مبتنی بر ترتیب آن ها در جلسه استفاده می کند. PASAN به طور مشترک از طریق شبکه خودتوجه، علایق کلی و از طریق رمزگذاری موقعیتی، علایق ترتیبی را یاد می گیرد. علاوه بر این، PASAN پیشنهادی علاوه بر جلسه فعلی از جلسات تاریخی کاربر هم استفاده و ترجیحات بلندمدت کاربران را مدل می کند. ابتدا PASAN مبتنی بر جلسات ناشناس آموزش داده می شود و سپس برای هر کاربر از طریق ترکیب وزنی جلسه فعلی و جلسات تاریخی کاربر، توصیه های شخصی سازی شده فراهم می شود. آزمایش های انجام شده بر روی دو مجموعه داده واقعی نشان می دهد مدل پیشنهادی در مقایسه با سایر روش ها بهتر عمل می کند. مدل پیشنهادی بر روی مجموعه داده Reddit، از نظر دقت حدود ۲۰ درصد و از نظر میانگین رتبه متقابل حدود ۸ درصد بهبود یافته است.

کلیدواژه ها:

توصیه مبتنی بر جلسه ، توصیه شخصی سازی شده ، شبکه های خودتوجه ، یادگیری عمیق