好文推荐｜X?Model4Rec：基于用户动态口味特征的可扩展推荐模型

近日，一篇由巴西和葡萄牙学者合作的论文“X?Model4Rec: An Extensible Recommender Model Based on the User’s Dynamic Taste Profile”（X?Model4Rec：基于用户动态口味特征的可扩展推荐模型）在国际期刊《以人为中心的智能系统（英文）》（Human-Centric Intelligent Systems, HCIN, eISSN: 2667-1336）上公开发表（https://doi.org/10.1007/s44230-024-00073-3）。一句话概要：X?Model4Rec可扩展模型引入用户动态口味偏好特征，在序列推荐系统中实现精准推荐。研究动机：推荐系统 (Recommender Systems，RS)作为信息过滤的核心技术，通过精准捕捉用户偏好实现个性化内容推送，已广泛应用于电子商务、在线教育及智慧旅游等领域，大大提高了用户的体验感。序列推荐系统（Sequential Recommender Systems，SRS）作为RS的一种，通过建模用户行为序列的时序依赖关系（如点击、浏览、购买等事件的时间戳标记），深度挖掘潜在兴趣演化规律，实现对目标项目的动态预测。由于用户、项目和反馈的动态变化，SRS 需要在多次重复迭代中进行调整，以适应新的情况。这就要求 SRS 具备持续的自适应机制，才能有效地解决信息过载问题，并为用户提供个性化的推荐。然而，在线环境的这种动态性，使得如何提供自适应推荐来减轻信息过载成为一个关键挑战。研究方法与发现：针对上述问题，本文提出一种可扩展推荐模型X-Model4Rec，依据设计的新型数据建模方法来获取预定义长度的历史会话来建模用户的口味动态变化信息，实现精准推荐。如图1所示，X-Model4Rec主要包括数据预处理、训练和预测、及评估三个阶段。

▲图1 可扩展模型X-Model4Rec的三个阶段。具体地，在数据预处理阶段，首先为每个用户构建预先定义长度的单个会话来对数据进行分类和转换。通过分析用户历史交互项目的类别，模型可以识别出用户的动态口味信息，并根据新输入数据进行自适应更新，分类和标记这些口味信息。在模型训练和预测阶段，将嵌入表示由Inner层实现转换，使其在不同模型层之间具有相同的维度，从而通过修改可扩展的模块来探索具有不同架构的预训练机制。在评估阶段，模型利用分类器生成的概率分布，为每个用户选择*有可能感兴趣的候选项目，组成 top@k 推荐列表。本文首先在电影数据集、电子商务商品推荐数据集、亚马逊的时尚产品推荐及Book-Crossing的书籍推荐数据集上对X-Model4Rec的可扩展性和可伸缩性进行了评估，证明了以Block形式设计的模型具有模块可替换、框架更加灵活等优点，具体实验结果如图2所示。

▲ 图 2 模型在不同Transformer结构上AUC、Precision、Recall、MRR和NDCG指标的实验结果。此外，本文同时从Precision、Recall、F1-Score、MAP、MRR 和 NDCG等指标上全面评估了可扩展模型X-Model4Rec和基线模型的top@k推荐结果，证明了所提出模型的有效性。研究贡献：1）X?Model4Rec模型引入用户短期和长期行为等历史信息实现的精准行为预测，从而提高项目推荐的准确性；2）X?Model4Rec模型具备高扩展性，利用Transformer和多头注意力机制，能够灵活适应不同的用户历史数据和偏好变化，并根据新输入数据实现动态口味的自适应地更新，还可有效地缓解信息过载和冷启动等问题。

（编辑：吴小华）关于期刊

Human-Centric Intelligent Systems（eISSN：2667-1336）是一本国际化的，经过严格同行评审的开放获取期刊，致力于传播 “以人为中心的智能系统” 中所有相关理论和实际应用的最新研究成果，并提供以人为中心的计算与分析领域的前沿理论和算法见解。为了鼓励科研成果的传播，本刊暂不收取文章处理费。期刊主编：西南交通大学李天瑞教授与澳大利亚悉尼科技大学徐贯东教授顾问委员：东京大学教授，日本国家信息研究所所长Masaru Kitsuregawa与伊利诺伊大学芝加哥分校Philip S. Yu教授投稿咨询：HCIN期刊编辑部Tel：17320182488邮箱：hcin@editorialoffice.cn