摘要

在稀疏推荐场景下，用户的上下文信息与物品属性在决定下一步推荐内容方面起着至关重要的作用。然而，当前主流的序列化与时间感知推荐方法通常要么完全忽略这两个维度，要么仅考虑其中一方面，从而限制了其预测性能。针对这一局限，本文提出了一种上下文与属性感知的推荐模型（Context and Attribute-aware Recommender model, CARCA），该模型通过专用的多头自注意力模块，有效捕捉用户画像在上下文特征与物品属性方面的动态变化，并提取高层次的画像级特征以预测物品评分。此外，与多数当前最先进的序列化物品推荐方法仅采用最近一个物品的隐向量与目标物品嵌入之间的简单点积进行评分不同，CARCA引入了用户画像中所有历史物品与目标物品之间的交叉注意力机制，用于预测最终评分。这种交叉注意力机制能够充分挖掘用户历史行为中旧物品与近期物品之间的相关性，以及它们对下一推荐项决策的联合影响。在四个真实世界推荐系统数据集上的实验结果表明，所提出的CARCA模型在物品推荐任务中显著优于所有现有最先进模型，其在归一化折损累积增益（NDCG）和命中率（Hit-Ratio）指标上最高提升了53%。此外，实验还显示，仅通过黑盒方式利用预训练ResNet50模型提取的图像属性，CARCA在性能上亦超越了多个专门针对图像的先进推荐系统，充分验证了其在利用视觉属性方面的强大潜力与通用性。