第22卷第10期2023年10月Vol.22No.10Oct.2023软件导刊SoftwareGuide结合注意力机制与循环神经网络的序列推荐模型吴晓，成卫青（南京邮电大学计算机学院，江苏南京210046）摘要：在真实场景的推荐系统中，使用用户所有数据以训练推荐模型，存在忽略数据间时间顺序和学习到的用户兴趣是静态的问题。鉴于此，提出一种结合注意力机制与GRU循环神经网络的序列推荐模型，对用户的行为序列进行显式的动态建模，挖掘用户的长期偏好与短期偏好，并结合用户自身信息构建自适应分配权重的门控单元，将长期偏好与短期偏好结合，以此预测用户可能发生的下一个行为。在Amazon数据集上的实验结果表明，相较于目前基准推荐模型GRU4REC、STAMP、SASREC等，该模型在归一化折损累计增益（NDCG）和命中率（HIT）指标上分别至少提升了14.7%和8.8%，表明该模型能够更加准确地捕捉用户兴趣。关键词：序列推荐；注意力机制；循环神经网络；深度学习；长短期偏好DOI：10.11907/rjdk.222134开放科学（资源服务）标识码（OSID）：中图分类号：TP183文献标识码：A文章编号：1672-7800（2023）010-0095-10SequenceRecommendationModelCombiningAttentionMechanismandRecurrentNeuralNetworkWUXiao，CHENGWeiqing（SchoolofComputerScience，NanjingUniversityofPostsandTelecommunications，Nanjing210046，China）Abstract：Inareal-worldrecommendationsystem，alluserdataisusedtotraintherecommendationmodel，butthereisaproblemofignor⁃ingthetemporalorderbetweendataandthestaticlearningofuserinterests.Inviewofthis，asequencerecommendationmodelcombiningat⁃tentionmechanismandGRUrecurrentneuralnetworkisproposed，whichexplicitlyanddynamicallymodelstheuser´sbehaviorsequence，minestheuser´slong-termandshort-termpreferences，andcombinestheuser´sowninformationtoconstructanadaptiveweightedgatingunittocombinelong-termandshort-termpreferences，inordertopredictthenextbehaviorthattheusermayexperience.TheexperimentalresultsontheAmazondatasetshowthatcomparedtothecurrentbenchmarkrecommendationmodelsGRU4REC，STAMP，SASREC，etc.，themodelhasimprovedatleast14.7%and8.8%innormalizeddiscountedcumulativegain（NDCG）andhitrate（HIT）indicators，respectively，indicat⁃ingthatthemodelcanmoreaccuratelycaptureuserinterest.K...
