近日，數計學院馮海林教授團隊在人工智能頂級期刊《IEEE Transactions on Neural Networks and Learning Systems 》（中科院1區Top期刊， IF=10.451）發表了題為“Dynamic and Static Representation Learning Network for Recommendation”的論文。該研究構建了動態和靜態表征學習網絡，從用戶評論文本、用戶-商品歷史交互行為序列中挖掘用戶動態興趣和靜態偏好、商品屬性動態吸引性特征和內在屬性特征，在此基礎上構建自適應融合的推薦策略，顯著提升了推薦的準確性。
評論作為用戶購買商品后的反饋，蘊含用戶對所購買商品的真實偏好，從評論中挖掘用戶的觀點信息有助于提高推薦系統的推薦精度，提升用戶滿意度。現有的基于用戶評論的推薦方法通常以靜態方式獲得用戶偏好表征和商品屬性表征，忽略了用戶與項目交互歷史中隱藏的時間信號和行為模式，無法捕捉用戶興趣的動態進化性和商品的動態吸引性。為此，論文提出了動態和靜態表征學習網絡（DSRLN）提升推薦預測的準確度。從用戶短期交互序列的即時性和評論的靜態性兩方面來看，定義動態和靜態特征在描述用戶的短期和長期偏好之外，同時關注了商品的熱點和固有屬性特征。其次，基于注意力機制來構建模型，利用自注意力機制關注短期交互序列中物品的內在關系，應用多頭注意機制來逐條處理評論文本信息，避免了特征強度信息的丟失，同時又保持語義一致性。最后，該論文提出了一個統一短期序列數據和文本信息的神經網絡框架，其中自適應的融合用戶短期和長期偏好所占的注意力權重，為用戶實現“千人千面”建模。
IEEE Transactions on Neural Networks and Learning Systems為中科院大類一區TOP期刊，CiteScore排名計算機科學大類計算機網絡與通信子類所有期刊3/334，以及人工智能子類所有期刊5/227，2020年影響因子10.451。
（數學與計算機科學學院）
浙ICP備11046845號-1 浙公網安備33018502001115號 
