典型文献
动态层次Transformer序列推荐算法
文献摘要：
序列化推荐任务根据用户历史行为序列,预测下一时刻即将交互的物品.大量研究表明:预测物品对用户历史行为序列的依赖是多层次的.已有的多尺度方法是针对隐式表示空间的启发式设计,不能显式地推断层次结构.为此,该文提出动态层次Transformer,来同时学习多尺度隐式表示与显式层次树.动态层次Transformer采用多层结构,自底向上根据当前层近邻注意力机制判断需要融合的块,动态生成块掩码.多尺度层次结构中,每层的组合结构由该层的块掩码矩阵推断出,每层的隐式表示由动态块掩码与 自注意力机制融合得到.该文提出的算法的预测准确度在MovieLens-100k和Amazon Movies and TV两个公共数据集上分别比当前最先进的基准方法提升了 2.09％和5.43％.定性分析的结果表明,该文模型学习到的多尺度结构是符合直觉的.
文献关键词：
序列推荐;动态层次建模;Transformer
中图分类号：
作者姓名：
袁涛;牛树梓;李会元
作者机构：
中国科学院大学,北京100049;中国科学院软件研究所,北京100190
文献出处：
引用格式：
[1]袁涛;牛树梓;李会元-.动态层次Transformer序列推荐算法)[J].中文信息学报,2022(01):117-126
A类：
动态层次建模
B类：
Transformer,序列推荐,推荐算法,序列化推荐,推荐任务,史行,行为序列,刻即,多尺度方法,隐式,启发式,显式,层次结构,出动,多层结构,底向上,近邻,动态生成,成块,掩码,每层,组合结构,推断出,自注意力机制,注意力机制融合,预测准确度,MovieLens,100k,Amazon,Movies,TV,公共数据,最先,基准方法,模型学习,多尺度结构,直觉
AB值：
0.484469
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
