Um Método de Recomendação Multi-Comportamento e Consciente de Sequências

Este artigo propõe um método de recomendação multi-comportamento e consciente de sequências que integra de forma eficaz diversos comportamentos de interação usuário-item e suas dependências sequenciais para aprimorar a precisão das recomendações. Diferentemente de estudos existentes que consideram interações usuário-item diferentes de forma independente, nossa abordagem integra comportamentos diversos e suas dependências sequenciais naturais para captar melhor as preferências dos usuários e atenuar a escassez de dados causada pela modelagem de comportamento único. Ao contrário dos modelos tradicionais de comportamento único, construímos um grafo heterogêneo multi-comportamento e definimos múltiplos padrões de meta-caminhos para capturar relações implícitas entre usuários e itens. Por meio da geração de instâncias de subgrafos, extraímos padrões de interação detalhados e empregamos um LightGCN com conexões residuais para aprender representações dos usuários em diferentes sequências comportamentais. Além disso, um mecanismo de atenção é introduzido para fundir características entre subgrafos, permitindo uma modelagem mais expressiva das preferências. Resultados experimentais em dois conjuntos de dados reais, Taobao e Tmall, demonstram que nosso método supera modelos de recomendação de comportamento único e múltiplo, alcançando melhorias de até 10,0% e 11,1% em HR@10 e NDCG@10 no Taobao e 9,0% e 10,6% no Tmall, respectivamente. Esses resultados confirmam a eficácia de aproveitar tanto informações multi-comportamentais quanto dependências sequenciais para capturar preferências dos usuários mais profundas e fornecer recomendações mais precisas.