Réseau de neurones convolutif récurrent pour la recommandation séquentielle

La recommandation séquentielle, qui modélise des comportements séquentiels parmi les utilisateurs pour la recommandation, joue un rôle critique dans les systèmes de recommandation. Cependant, les solutions actuelles basées sur les réseaux de neurones récurrents (RNN) prennent rarement en compte les interactions de caractéristiques non linéaires et les motifs séquentiels à court terme non monotones, qui sont essentiels pour la modélisation du comportement des utilisateurs dans les données de séquence rares. Dans cet article, nous proposons un nouveau modèle de Réseau de Neurones Convolutifs Récurrent (RCNN). Il utilise non seulement l'architecture récurrente de RNN pour capturer des dépendances complexes à long terme, mais tire également parti de l'opération convolutive du modèle de Réseau de Neurones Convolutifs (CNN) pour extraire des motifs séquentiels à court terme parmi les états cachés récurrents. Plus précisément, nous générons d'abord un état caché à chaque étape temporelle avec la couche récurrente. Ensuite, les états cachés récents sont considérés comme une "image", et le RCNN recherche des interactions de caractéristiques non linéaires et des motifs locaux non monotones à l'aide de filtres convolutifs horizontaux intra-étapes et verticaux inter-étapes, respectivement. De plus, la sortie des filtres convolutifs et l'état caché sont concaténés et alimentés dans une couche entièrement connectée pour générer la recommandation. Enfin, nous évaluons le modèle proposé en utilisant quatre ensembles de données du monde réel issus de divers scénarios d'application. Les résultats expérimentaux montrent que notre modèle RCNN surpasse significativement les approches de pointe en matière de recommandation séquentielle.