Shared-Account Cross-Domain Sequential Recommendation with Self-Attention Network
-
摘要: 共享账户跨域序列推荐(shared-account cross-domain sequential recommendation, SCSR)是指在多个用户共同使用一个账户和用户的行为会在多个域中产生的情况下，给该账户推荐下一个可能会点击的项目.与传统的序列推荐任务相比，共享账户跨域序列推荐主要面临2方面的挑战：1)每一个账户里的交互行为是由多个用户产生的，并且这些用户的行为是混合在一起的；2)用户在1个域中产生的交互行为可能会提升推荐系统对该用户在其他域的推荐质量.目前，已有的一些相关工作大都是基于循环神经网络(recurrent neural network, RNN)的方法，但由于RNN本身固有的一些缺陷，导致基于RNN的方法不仅非常耗时，而且不能够很好地捕获交互行为之间的长期依赖关系.针对SCSR问题，提出了基于自注意力的跨域推荐模型(self-attention-based cross-domain recommendation model, SCRM)来解决这2个挑战.具体而言，首先引入1个多头自注意力网络来建模1个共享账户中多个用户参与的交互行为.然后，提出了一个基于多层交叉映射感知网络的跨域传输单元，以实现借助一个域的信息来提高另一个域的推荐质量.最后，通过一个混合推荐解码器整合了来自2个域的信息以实现在不同域中的推荐.在真实数据集HVIDEO上进行了实验，实验结果表明，与目前最新的基准方法相比，所提出的模型能在MRR和Recall这2个指标上取得了更加优异的结果；在运行效率上，比基于RNN的方法取得了更短的训练和学习时间.Abstract: Shared-account cross-domain sequential recommendation (SCSR) is the task of recommending next items in a particular context, where users share a single account, and their behavior records are available in multiple domains. Compared with traditional sequential recommendation tasks, SCSR is challenging due to: 1) The interactions generated by an account is a mixture of multiple users. 2) The behaviors in one domain might be helpful to improve recommendations in another domain. Recently，most of the related work is based on recurrent neural network(RNN). Due to the inherent drawbacks of RNN, RNN-based methods are time consuming and more importantly they fail to capture long-range dependencies of accounts’ interactions. In this work, we target at SCSR and propose a self-attention-based cross-domain recommendation model(SCRM) to address these two challenges. Specifically, to model the mixed interactions from multiple users of a single account, a multi-head self-attention network is first introduced. Then, to leverage the domain information in one domain to improve the recommendation in another domain, the cross-domain transfer network based on a multi-layer cross-map perceptual network is innovatively proposed. Finally, a hybrid recommendation decoder is explored to consider the information from both domains to achieve recommendation in each domain. We conduct experiments on a real-world dataset HVIDEO, and the experimental results show that SCRM outperforms all the baseline methods in terms of MRR and Recall. In terms of training efficiency, SCRM achieves shorter training and learning time than RNN-based methods.
-
-
期刊类型引用(20)
1. 马行坡，闫梦凡，闵洁，殷明. 一种基于“云-边”协同计算的新安全联邦学习方案. 信阳师范大学学报(自然科学版). 2025(01): 66-71 . 
百度学术
2. 白静，许建军，张龙昌. 随机供需云环境中应用提供商收益驱动的最优资源协同配置策略. 信息系统学报. 2025(01): 105-127 . 百度学术
3. 何涵，刘鹏，赵亮，王青山. 无人机任务卸载与充电协同优化. 工程科学与技术. 2024(01): 99-109 . 百度学术
4. 朱思峰，蔡江昊，柴争义，孙恩林. 车联网边缘场景下基于免疫算法的计算卸载优化. 吉林大学学报(工学版). 2024(01): 221-231 . 百度学术
5. 陈晶腾，陈芳. 分布式新能源接入的配电网降损技术研究. 自动化与仪器仪表. 2024(06): 291-295 . 百度学术
6. 白静，张龙昌. 云应用提供商收益驱动的最佳云资源配置策略. 计算机集成制造系统. 2024(07): 2495-2505 . 百度学术
7. 冯起，薛喜红，任龙，冯英. 考虑云端距离的科技服务边缘计算资源均衡调度算法. 自动化技术与应用. 2024(08): 95-98+104 . 百度学术
8. 纪雯，杨哲铭，王智，郭斌，沈博. 视觉端边云融合架构:面向超级智慧城市群演进的关键技术. 中国科学:信息科学. 2024(11): 2518-2532 . 百度学术
9. 赵璞，肖人彬. 基于自组织劳动分工的边云协同任务调度与资源缓存算法. 控制与决策. 2023(05): 1352-1362 . 百度学术
10. 唐续豪，刘发贵，王彬，李超，蒋俊，唐泉，陈维明，何凤文. 跨云环境下任务调度综述. 计算机研究与发展. 2023(06): 1262-1275 . 本站查看
11. 原静，孙骏. 基于边缘计算的智能电网数据调度与快速分发方法. 信息与电脑(理论版). 2023(06): 226-229 . 百度学术
12. 刘鲤君，丁红，祁鸿燕，杜丽华，孙艳丽，姜宁. PaaS架构后端管理平台的云边协同调度算法设计. 现代电子技术. 2023(16): 91-96 . 百度学术
13. 徐胜超. 基于混合蛙跳算法的容器云资源低能耗部署方法. 重庆邮电大学学报(自然科学版). 2023(05): 952-959 . 百度学术
14. 何卫刚，王晓敏. 多技术辅助的高可靠矿井通信网络框架. 陕西煤炭. 2023(06): 150-153 . 百度学术
15. 蒋伟进，孙永霞，朱昊冉，陈萍萍，张婉清，陈君鹏. 边云协同计算下基于ST-GCN的监控视频行为识别机制. 南京大学学报(自然科学). 2022(01): 163-174 . 百度学术
16. 周伟，谢志强. 考虑多工序设备权重的资源协同综合调度算法. 电子与信息学报. 2022(05): 1625-1635 . 百度学术
17. 李凌，陈曦，沈维捷，熊汉武，蔡冉冉. 面向电工装备智能监造的边缘缓存策略. 计算机与现代化. 2022(05): 61-67 . 百度学术
18. 关天柱. 基于随机优化的边缘网络任务资源协同传输调度机制. 长江信息通信. 2022(06): 59-61 . 百度学术
19. 邓勇琛，胡忠波，王素贞. 边缘计算环境下的任务调度综述. 河北省科学院学报. 2022(04): 1-7 . 百度学术
20. 王其朝，金光淑，李庆，王锴，杨祖业，王宏. 工业边缘计算研究现状与展望. 信息与控制. 2021(03): 257-274 . 百度学术
其他类型引用(28)
计量
- 文章访问数: 535
- HTML全文浏览量: 1
- PDF下载量: 305
- 被引次数: 48
下载:
