یک مدل خودتوجه تجزیه‌شده برای سیستم‌های توصیه‌گر دنباله‌ای

پویایی در دنباله، از ویژگی‌های کلیدی سیستم‌های توصیه‌گر دنباله‌ای مدرن است. برای مدل‌سازی روندهای پویا در علایق و انتخاب‌های کاربران، از دو رویکرد زنجیره‌های مارکوف و شبکه‌های عصبی بازگشتی استفاده می‌شود.روش‌های مبتنی بر زنجیره مارکوف بر روی مجموعه داده‌های خلوت عملکرد بهتری دارند؛ اما شبکه‌های عصبی بازگشتی بر روی مجموعه داده‌ متراکم عملکرد بهتری نشان داده‌اند. ما در این مقاله قصد داریم که با استفاده از سازوکار خودتوجه، مزیت‌های هر دو نگرش زنجیره مارکوف و شبکه‌های عصبی بازگشتی را به دست آوریم.با استفاده از جاسازی موقعیت، مدل خودتوجه از موقعیت آیتم‌های قبلی آگاه خواهد بود و با استفاده از سازوکار خودتوجه تجزیه شده پیش‌بینی آیتم‌های بعدی کاربر را براساس تعداد کمی از تعاملات‌های قبل او انجام می‌دهیم. ارزیابی روش پیشنهادی بر روی چهار مجموعه داده در مقایسه با دیگر روش‌های سیستم‌های توصیه‌گر دنباله‌ای بر روی هر دو مجموعه داده خلوت و متراکم نرخ برخورد و دقت بالاتری را نشان می‌دهد.