刘纵横，汪海涛，姜 瑛，陈 星

(昆明理工大学 信息工程与自动化学院，昆明 650500)

0 引 言

推荐系统在互联网中有着广泛的应用，一个优秀的推荐系统可以帮助用户快速、准确地在海量的信息中寻找感兴趣的内容。它改变了人们获取信息的方式，给用户带来了极大的便利。推荐系统目前主要可以分为2类：常规推荐系统与序列推荐系统。常规推荐系统的目的是学习用户的静态偏好，静态偏好主要通过统计获得而且更新缓慢。基于因子分解的协同过滤系统[1]就是这个领域中较有影响力的算法。但是常规推荐系统无法捕获到用户的兴趣变化，现阶段用户行为偏好具有内在的可变性，在一定时间段内会受到多种因素变化的影响，例如需求的变化、兴趣的变化等。相比于常规推荐系统，序列推荐系统可以建模用户的交互序列，捕获到用户兴趣的动态变化，已经成为推荐系统研究领域的热点方向。

在序列推荐系统的建模阶段，循环神经网络(recurrent neural network, RNN)及其变种网络占有主流地位[2]，但是RNN在对用户序列建模过程中依赖于过去的隐藏状态，无法对网络进行并行运算，所以建模速度是RNN网络的劣势。与RNN相比，时间卷积网络[3](temporal convolutional network, TCN)不依赖于整个过去的隐藏状态，可以充分利用序列进行并行计算。因此，它在训练效率和预测性能上相较于RNN有一定的优势。受时间卷积网络在序列建模中有不错表现的启发，本文将时间卷积网络引入用户近期序列建模，用于提高基于RNN的推荐系统的训练效率与预测准确度。……