GSMRecIT：一种基于图的多任务序列推荐器，用于同时预测下一个项目、时间间隔和持续时间

《Neurocomputing》：GSMRecIT: A Graph-Based Multi-Task Sequential Recommender for Simultaneous Prediction of Next Item, Interval, and Duration

　　

• •
  利用时间间隔和交互时长提升下一项预测
• •
  门控图神经网络提升嵌入表示与数据集成效率
• •
  集成注意力机制精确权重分配序列并捕捉用户偏好
• •
  在流媒体和游戏场景中提升下一项预测模型表现

引言

近年来，随着互联网内容的快速增长和电子商务的兴起，用户面临着海量的信息。推荐系统在过滤内容和为用户提供个性化建议方面发挥着至关重要的作用，例如直播[1]和移动应用[2]。通常，推荐系统的目标是基于用户的偏好、物品特征、交互历史或其他相关信息，为用户生成推荐列表或预测用户评分。传统的推荐模型，包括协同过滤、马尔可夫链和矩阵分解，主要关注用户与物品之间的线性交互建模。然而，这些模型难以捕捉用户偏好的复杂性，特别是在用户兴趣随时间动态演变的情景中。基于深度学习的推荐系统的出现，通过建模非线性关系并从高维数据中提取有意义的模式，显著提高了推荐准确性。

在各种推荐范式中，序列推荐因其能够将用户行为建模为交互序列而备受关注。这种方法在视频流媒体、音乐播放列表和在线购物等应用中尤为相关，在这些应用中用户参与遵循结构化模式。下一项预测是序列推荐中的关键任务，旨在基于用户的过去行为预测用户最可能与之交互的下一项。序列推荐方法主要可分为基于会话和基于序列的方法，每种方法都有其独特的假设和方法论。

基于会话的推荐： 此类模型关注有限交互窗口（如浏览会话）内的短期用户行为。由于用户身份往往不可用，这些模型依赖于最近的交互序列而非长期历史数据[3]、[4]、[5]、[6]、[7]。例如，如果用户在浏览电子小部件，系统将基于其即时浏览历史推荐类似产品，而不考虑过去的购买记录。这使得基于会话的方法在匿名场景或无需登录的情况下尤为有效，因为用户画像不具备持久性。

基于序列的推荐： 该模型利用长期历史序列和额外的上下文特征（如用户人口统计信息、位置）来捕捉从序列交互中演变的用户偏好[8]、[9]、[10]、[11]、[12]。与基于会话的方法不同，这些模型整合了短期和长期兴趣动态，从而实现更具个性化的推荐体验。例如，一位经常观看科幻电影但最近对韩剧产生兴趣的用户，应该收到平衡这两种偏好的推荐。

尽管对下一项预测的研究已相当广泛，但大多数研究仅关注预测下一项，而未考虑用户交互的时间因素。然而，时间间隔（即下一次交互何时发生）和交互时长（即用户与某物品互动的时间长短）是提升预测用户下一个可能感兴趣物品准确性的关键因素[13]、[14]、[15]。然而，迄今为止，尚无研究致力于同时预测用户可能与物品交互的时间间隔和时长。

在预测用户的下一个交互物品时，融入时间间隔信息可为企业带来显著益处。这包括能够策略性地选择最佳广告投放时间或预存用户可能需要的物品，从而减少不必要的库存成本并缩短客户等待时间。此外，了解用户与物品交互的时长可以更深入地洞察用户行为和偏好。它通常与收费金额相关，是识别重要客户的关键因素。交互时长较长的用户更可能进行大额购买，识别此类用户可帮助企业发现有价值的客户以进行精准营销和个性化服务。相反，交互时长较短的用户为企业提供了通过促销、精准广告或个性化服务来提升购物体验的机会，旨在将其转化为忠诚客户。通过了解用户与物品的交互时长，企业不仅能够更准确地预测收入，还可以进行交叉销售策略以培养客户忠诚度并提升销售额。

因此，如图1所示，本研究希望利用用户过去的序列来预测用户可能感兴趣的下一项物品（Item₁, Item₂, …, Item_k, Item_k+1），以及用户可能交互的时间间隔（I₁, I₂, …, I_k, I_k+1）和时长（D₁, D₂, …, D_k, D_k+1）。

在对序列推荐模型的广泛前期研究中，观察到准确预测用户的下一项物品需要结合其短期动态偏好和长期偏好。此外，通过图神经网络[16]、[17]、[18]、[19]、[20]、[21]整合整体信息，可增强信息编码的完整性并提高下一项预测的准确性。因此，本研究提出了一种名为GSMRecIT的新型模型（基于图序列模型的下一项、时间间隔和时长预测推荐系统）。GSMRecIT利用图嵌入来处理用户序列中的物品、时间间隔和时长。注意力网络用于确定不同序列数据的权重，捕捉用户在序列中的长期偏好和最近的交互记录以捕捉短期偏好。最后，多任务预测层采用Softmax操作来预测用户感兴趣物品的Top-N推荐、时间间隔和时长。

本文的贡献如下。首先，深度学习在推荐系统中的应用代表了重大的理论和实践进步。它允许捕捉用户与物品之间的非线性关系，并从高维空间获取复杂的数据抽象。这通过增强推荐的准确性和相关性来促进决策支持，超越了协同过滤和矩阵分解等传统线性模型的局限性。其次，承认用户偏好随时间变化且短期和长期偏好都很重要，开发能够动态平衡这些偏好的模型显著增强了决策支持。本研究使推荐系统能够为用户提供更具个性化和时效性的建议。第三，基于序列推荐的实际应用提供了用户行为随时间演变的细致视角。本研究允许基于过去行为预测未来的用户交互，通过预判用户需求和偏好来改善决策过程，从而有助于个性化内容分发和客户参与策略。最后，我们致力于开发一种灵活的推荐模型，在各种情境中利用物品、时间间隔和时长数据，从而增强结果的适用性。所提出的模型可作为研究人员和从业者解决推荐相关问题的宝贵资源。

本文其余部分组织如下：第二节提供文献综述。第三节详细描述了我们提出的模型。第四节展示了我们模型的实验设计和结果分析。最后，第五节是本文的结论，我们讨论了本研究的局限性及未来工作。

章节摘要

基于序列的模型

对于基于序列的推荐模型，许多研究选择使用RNN作为模型架构，因为它在处理各种NLP任务中的序列数据方面已被证明是有效的[14]、[22]、[23]。RNN能够有效地捕捉时间动态、用户行为的序列模式，并在辅助消息中整合序列信息。例如，Wu等人[22]提出了一种基于RNN的推荐模型RRN，该模型对物品的交互顺序进行建模

模型结构

在本节中，我们将介绍基于图序列模型的下一项、时间间隔和时长预测推荐系统（GSMRecIT）的模型框架。如图2所示，GSMRecIT由五个主要组件组成：（1）输入阶段：它将序列中的物品、时间间隔和时长转换为序列关系图。（2）嵌入阶段：它利用GNN从序列关系图中获取各种特征的嵌入表示。（3）

实验与结果

在本节中，我们首先描述实验中使用的数据集、基线方法和评估指标。然后，我们将所提出的GSMRecIT与其他现有基线进行比较，并提供不同实验设置下结果的详细分析。

结论与未来工作

在本研究中，我们提出了GSMRecIT，一种结合GNN和Transformer的用户序列推荐模型。我们的模型旨在通过分析用户的序列行为来捕捉短期和长期偏好，以预测序列中的下一项、时长和间隔。在两个真实数据集上的实验结果表明，GSMRecIT在物品推荐、时长预测和间隔预测任务中相较于其他基线方法具有优越的性能。

本文的

未引用参考文献

[32]

作者贡献声明

刘怡宏： 撰写—审阅与编辑，撰写—原稿，验证，软件，方法论，数据整理。陈彦良： 撰写—原稿，验证，指导，方法论，概念化。王茂天： 撰写—原稿，方法论，数据整理，概念化。

利益冲突声明

作者声明他们不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。

刘怡宏 获得台湾中央大学信息管理学博士学位。自2020年以来，他就任于台湾台北市东吴大学计算机科学与信息管理系，现任副教授。他目前的研究兴趣包括机器学习、自然语言处理、健康信息技术和智能法律分析。他已在《决策支持系统》、《信息处理与管理》、《信息》等期刊上发表论文

刘怡宏|陈彦良|王茂天