基于行为延迟共享网络的个性化商品推荐方法

张红霞 董燕辉 肖军弼 杨勇进

(中国石油大学(华东)计算机科学与技术学院 青岛 266580)

1 引言

随着电子商务平台的快速发展，商品数量呈现海量式增长，使得用户很难从海量商品中找到符合自身需求的商品，从而导致平台商品销量增加缓慢。推荐系统为用户提供了个性化的商品推荐，能够主动推送感兴趣的商品，有效提升电商平台的转化收益[1,2]。

近年来基于神经网络建立推荐模型的研究逐渐成为研究热点[3–5]。Cheng等人[6]将线性模型和深度模型结合提出了Wide Deep模型，解决了低阶特征和高阶特征的组合问题。文献[7]利用深度神经网络分别对用户历史行为的嵌入表示进行深度提取构建了召回和排序模型，解决了大规模推荐的实时性问题[8]。Qu等人[9]针对全连接层组合特征的不充分性提出了基于乘积的推荐模型，将输入特征通过乘积层得到更高阶的组合表示，进一步提升了点击率预估表现。但是以上通过组合特征的方法很少考虑到用户行为序列之间的联系[10,11]，并且模型的用户表示和商品表示很难确保映射到统一空间[12]，进而造成用户兴趣和推荐商品不匹配问题[13]，导致推荐商品点击率较低。

Zhou等人[14]将注意力机制引入时序推荐模型，提出的动态兴趣模型解决了用户兴趣变化问题。在此基础上，Zhou等人[15]通过将门控循环单元(Gated Recurrent Unit,GRU)的更新门与注意力相结合，提出了兴趣漂移模型(DREN)，解决了用户多兴趣匹配问题。虽然上述模型利用GRU实现了用户历史行为序列建模，但没有考虑用户活跃度[16,17]对用户行为序列表示的影响。……