边晶　李国梁

摘要：解决信息过载问题较好的办法之一就是采用推荐算法。为了达到更好的效果，本文提出了一种新的推荐模型。此模型基于长短期序列推荐，利用自注意力机制从用户的历史交互记录推断项目之间的关系，然后借助自注意力估算出用户交互的权重，对全局信息进行捕获，然后利用残差网络进一步发现项目之间潜在的关系。

关键词：推荐系统;自注意力机制;序列推荐

1.引言

随着互联网的发展，数据变得越来越多，如何从如此之多的数据中选择有效的信息，成为用户当前需要考虑的一个重大问题，而推荐系统的诞生就是为了解决此类信息过载的问题[1]and Evaluations</title><secondary-title>arXiv preprint arXiv：1905.01997</secondary-title></titles><periodical><full-title>arXiv preprint arXiv：1905.01997</full-title></periodical><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>。近些年来，深度学习技术在顺序推荐中引起了越来越多的兴趣，但当将其应用于推荐系统时，很难在一个较长的序列中对项目的依赖关系进行建模，也无法捕获序列的全局信息和项目之间的交互。

受到Zhang et al.的启发，本文提出了一种基于长短期偏好序列的推荐模型。利用此模型的短期偏好推荐和长期偏好推荐可以明确地调用用户的整个历史序列中的项目-项目交互，实现模型学习序列的全局表示;在卷积网络部分，采用残差网络将低层的有用信息传播至高层，进而提高模型的性能。

2.模型

本文提出一种基于长短期偏好序列的推荐模型，包括以下三个部分。

2.1短期偏好建模

用户近期与项目之间的的交互能够反映用户的需求，因此需要对用户的短期偏好进行建模。……