机构名称：
¥ 1.0
用户的兴趣通常在现实世界中是动态的，这既提出了从丰富的行为数据中学习准确偏好的理论和实际挑战。在现有用户行为建模解决方案中，注意力网络的有效性和相对简单性被广泛采用。尽管进行了广泛的研究，但现有的关注仍然受到两个局限性：i）判例的关注主要考虑了用户行为之间的空间相关性，而是相对于连续时空中这些行为之间的距离少了； ii）这些注意事项主要对过去所有行为提供了密集且没有区别的分歧，然后专心地将它们编码为输出潜在表示。这在实际情况下不合适 - 用户的未来动作与她/他的历史行为的一小部分相关。在本文中，我们提出了一个新颖的注意网络，名为“自我调节的注意”，该网络对复杂且非线性发展的动态用户偏好进行了建模。我们从经验上证明了我们方法在顶级接收授权任务上的效率，并且三个大型现实世界数据集的结果表明，我们的模型可以实现最新的性能。
在连续时空学习自我调节的关注，并应用于顺序建议
主要关键词
相关文件推荐
